技術要約：Locus – 医療画像分類のための解剖学的構造に基づいたアテンション正則化

1. 問題提起

医療画像分類モデルは、通常、画像レベルのラベルのみを用いて学習されるため、明示的な空間的監督が欠如しています。その結果、これらのモデルは、診断に関連する解剖学的構造ではなく、画像のアーティファクト、周囲の組織、あるいはデータセット固有のコンテキスト上の手がかりといった、解剖学的に無関係な領域との統計的な相関関係に依存することを学習してしまう傾向があります。この挙動は、モデルの解釈可能性と汎用性を制限します。

従来のアプローチでは、解剖学的形状の情報（例：セグメンテーションマスク）を組み込むことでこの問題に対処しようと試みてきましたが、以下のような重大な限界に直面しています：

• 手動アノテーション： 専門家による輪郭抽出（デリネーション）に頼る方法は、コストが高く、スケールアップが困難です。
• 共同学習： 分類器の傍らでセグメンテーション・ブランチを訓練することは、勾配の競合や、ガイダンスを損なう可能性のあるノイズの多い予測といった最適化上の課題をもたらします。
• CAMベースの疑似マスク： アノテーションのコストは回避できるものの、これらの手法は、ラベルに関連する完全な解剖学的構造ではなく、ラベルと相関のある識別的な領域にのみ活性化する傾向があります。
• 専用のセグメンテーションモデル： 新しいセグメンテーションモデルを一から訓練することは、アノテーションの負担と計算オーバーヘッドを再導入することになります。

2. 手法：Locusフレームワーク

著者らは、専用のセグメンテーション訓練や手動アノテーションを必要とせずに、事前学習済みのセグメンテーション基盤モデル（SFM）（例：Medical SAM、BiomedParse）を活用して分類器のアテンションを誘導するフレームワークであるLocusを提案しています。

2.1 解剖学的中心のアテンション正則化

分類器のアテンションマップと解剖学的マスクとの間で、厳格なピクセル単位の整合性を強制するのではなく（それは過度に制約的になる可能性があるため）、Locusはヒンジベースの正則化項（$R$）を導入します。

• メカニズム： 本フレームワークは、SFMマスクから導出された解剖学的前景（$A_{fg}$）および背景（$A_{bg}$）内における、重み付き平均アテンションエネルギーを計算します。
• 損失関数： 正則化項は $R(M, A) = \max(0, A_{bg} - A_{fg})$ と定義されます。
• 論理： この項は、背景のアテンションが前景のアテンションを上回った場合にのみ、分類器にペナルティを与えます。もし前景のアテンションが十分に高い場合（$A_{fg} \geq A_{bg}$）、正則化は機能しません。このアプローチは、診断に関連する可能性のあるコンテキスト情報を過度に抑制することを避けつつ、モデルが主に背景のノイズに依存しないようにします。

2.2 パッチ単位の解剖学的プロンプティング

SFMに対して画像全体に対してプロンプティングを行う標準的な手法は、特に解剖学的構造が小さい場合や離散している場合（例：散在する病変や左右に分かれた臓器）、すべての関連する構造を捉えることができず、しばしば最も支配的な領域のみを返してしまいます。

• 戦略： Locusは、入力画像を重複のないパッチのグリッドに分割します。各パッチには、同じクラス由来のテキスト記述子（例：「肺」、「腫瘍」）を用いて独立してプロンプトが与えられます。
• 集約： 得られたパッチレベルのマスクは、**和集合（union）**によって集約され、フル解像度の解剖学的マスク（$M$）を形成します。
• 目的： この戦略は、解剖学的カバレッジを最大化し、たとえ結果として得られるマスクが粗いものであっても、すべての関連領域がアテンションの監督に寄与することを保証することを目的としています。著者らは、精密なピクセルレベルのセグメンテーションは必要ではなく、アテンションを導くための十分な解剖学的根拠（グラウンディング）が重要であると強調しています。

2.3 ネットワーク損失

全ネットワーク損失は、標準的なタスク損失（クロスエントロピー）と、解剖学的中心の正則化項を組み合わせたものです：
$$L_{net} = L_{task} + \lambda \cdot R(M, A)$$

• 訓練戦略： 数エポックの間、$L_{task}$ のみでネットワークを訓練した後、正則化の強度（$\lambda$）を徐々に高めていくウォームアップ戦略が採用されています。
• 柔軟性： 本フレームワークは、特定のアテンション抽出手法（例：Grad-CAM、Grad-CAM++、Vanilla CAM）や、選択するSFMの種類に依存しません。

3. 主な貢献

1. 新規な正則化フレームワーク： 解剖学的中心のアテンション正則化を提案し、背景のアテンションが優勢な場合にのみ分類器にペナルティを与えることで、アテンションを前景と背景の間で適応的にバランスさせ、専用のセグメンテーション訓練の必要性を排除しました。
2. プラグアンドプレイの適応性： 本フレームワークは、分類器のアーキテクチャを変更したり、基盤モデルを微調整したりすることなく、様々な分類器バックボーン（CNNおよびTransformer）やSFMに容易に適応可能です。
3. 包括的な検証： 8つの多様な医療画像データセット（皮膚鏡、X線、組織病理、超音波、心臓MRI）において検証され、一貫した性能向上と解釈性の向上が示されました。

4. 実験結果

著者らは、Locusを3つのベースライン（標準的なクロスエントロピー（CE）、SFMマスクを用いたマスク入力、および専門家のアノテーションを必要とするDiceベースのアテンション整列であるMGA）と比較評価しました。

• 分類性能： Locusは、6つのベンチマークデータセット（HAM10000、PneumoniaMNIST、BTXRD、PanNuke、ChestX-ray8、BUSI）および心臓シネMRIデータセットにおいて、ほぼすべての設定で最高の精度とF1スコアを達成しました。これは、制約のない訓練やマスク入力ベースのベースラインを一貫して上回りました。
• アテンションの質： 可視化（Grad-CAM）の結果、Locusはより集中し、解剖学的に一貫したアテンションマップを生成することが示されました。特に、背景への依存が生じやすいアーキテクチャ（例：ConvNeXt、ViT）において、Locusは標準的なCE訓練と比較して、関連する構造（例：肺野、病変）へのアテンションを大幅に鋭敏化させました。
• 堅牢性： テスト時の摂動（明るさ、コントラスト、ガウスぼかし、ノイズ）の下でも、Locusで訓練されたモデルはCEのみのベースラインよりも高い精度を維持しており、正則化が歪みに敏感な偽の特徴への依存を抑制していることを示唆しています。
• 汎用性： 正則化の効果は、異なるアテンション抽出手法（Grad-CAM、Grad-CAM++、Vanilla CAM、Gradient Norm）および異なるネットワークバックボーン（ResNet、ConvNeXt、ViT）にわたって一貫していました。

5. 意義と主張

本論文は、Locusが、手動アノテーションの法外なコストや、複雑な共同セグメンテーション・分類訓練なしに、分類器を診断に関連する解剖学的構造へと導くことで、医療画像分類器の「ブラックボックス」的な性質に対する実用的な解決策を提供すると主張しています。

基盤モデルの「即時利用可能な（out-of-the-box）」局在化能力を活用し、柔軟なヒンジベースの正則化を用いることで、本フレームワークは以下を実現します：

• 解釈性の向上： モデルは、アーティファクトや背景ではなく、正しい解剖学的領域（例：心臓MRIにおける心筋）に焦点を当てます。
• 汎用性の強化： 多様なモダリティにわたる優れた性能と、画像摂動に対する堅牢性を実現します。
• 効率性： 専用のセグメンテーションモデルを訓練するための計算オーバーヘッドを回避しながら、信頼できる解剖学的ガイダンスを提供します。

著者らは、このアプローチが、特にピクセルレベルのアノテーションが利用できないシナリオにおいて、医療AIをより信頼性が高く、臨床的に解釈可能にするための重要な一歩であると結論付けています。今後の課題として、不確実性を考慮した重み付けや、パッチ構成のエンドツーエンド学習の探索が示唆されています。