MOSAIC: Modality-agnostic Spectral Alignment for Federated Image-level Weakly Supervised Tumor Segmentation under Client-specific Missing Modalities

現代医学の世界において、最も正確な診断は、異なる種類の医療画像を組み合わせることで得られることが多い。医師は、標準的なX線、磁気共鳴画像（MRI）、そして特殊な組織スキャンを同時に観察し、一つの画像の強みが他の画像の弱みを補うように活用することがある。マルチモーダル・フュージョン（多角的融合）として知られるこの手法により、特に脳腫瘍のような複雑な病変を検出する際、体内での状況をより鮮明に描き出すことが可能となる。しかし、この強力な組み合わせを世界規模で活用する上で、大きな障壁が立ちはだかっている。それは患者のプライバシーである。病院は、個人の医療データが地元の施設から外に出ることを厳格に保護する法律があるため、患者のスキャン画像を中央サーバーに送って結合させることはできない。さらに、たとえ病院同士が協力することに同意したとしても、すべての患者に対して全く同じ画像セットを持っていることは稀である。ある病院は一連のフルセットのスキャンを持っているかもしれないが、別の病院（例えば異なる国にある、あるいは古い機器を使用している病院）は、わずかな数のスキャンしか持っていないこともある。この不一致は、パズルのピースがすべて揃っていることを前提として設計されたツールが、失敗してしまうという難題を生み出している。

研究者たちは、生データを収集された病院から動かすことなく、これらの散在した不完全なデータセットから人工知能（AI）に学習させる方法を長年模索してきた。フェデレーテッド・ラーニング（連合学習）と呼ばれるこのアプローチにより、病院は患者自身ではなく、コンピュータが学んだ「教訓」のみを共有することができる。しかし、新たな問題が生じた。利用可能な画像の種類が一部しかない場合、そして手元にあるラベルが詳細な腫瘍の形状を描いた図ではなく、単なる「はい」か「ノー」といった報告書レベルの単純なものしかない場合、コンピュータにどのようにして腫瘍を認識させるべきか、という問題である。課題は、精度を落としたりプライバシーを侵害したりすることなく、これら希薄でプライベートかつ不完全な手がかりから学習できるシステムを構築することである。

インド科学研究所の研究チームは、まさにこの問題を解決するために、「MOSAIC」と呼ばれる新しいフレームワークを開発した。彼らの研究は、画像レベルのラベル（腫瘍の有無を示す単純な指標）のみを使用して、脳腫瘍のセグメンテーション（輪郭抽出）を行うAIの訓練に焦点を当てている。しかも、異なる病院がそれぞれ不完全で異なるセットのMRIスキャンを持っているという状況下で行われる。研究者たちは、特定の欠落しているスキャンの正体にこだわらず、データの根底にあるパターンに焦点を当てるシステムを作ることで、通常このような訓練を可能にする詳細で時間のかかるアノテーション（注釈）を必要とせずに、高い精度を達成できることを見出した。

彼らの解決策の核心は、システムが欠落した部分をどのように扱うかに存在する。典型的なシナリオでは、もし病院に特定の種類のMRIスキャンが欠けている場合、コンピュータはその欠落したスキャンがどのような見た目になるかを推測しようとするか、あるいは単にそれを無視しようとし、それがしばしばエラーにつながる。MOSAICシステムは異なるアプローチを取る。それは、病院が利用可能なスキャンを共通の言語へと変換する「翻訳者」として機能する特化型のモジュールを使用する。この翻訳は各病院のローカル環境で行われるため、生の画像がサイトの外に出ることは決してない。システムは、どの特定の種類のスキャンが存在するかではなく、いくつの種類のスカンの種類が存在するかを知るだけでよく、これにより、独自の組み合わせのスキャンを持つ病院であっても、特別なセットアップや再学習なしにネットワークに参加できる。

異なる病院がそれぞれ異なるデータを持っているにもかかわらず、すべての病院が同じ「真実」から学べるようにするために、研究者たちは周波数パターンを用いてデータを整列させる手法を導入した。あらゆる医療画像には、異なる音調やリズムからなる独特の「音楽的署名」があると考えてほしい。利用可能なスキャンによって具体的な音符は変わるかもしれないが、音楽全体の律動や構造は一貫している。MOSAICシステムは、生の視覚的詳細ではなく、これらのリズムのパターン、すなわちスペクトル署名に耳を傾ける。これらのコンパクトで非可逆的な周波数パターンをすべての病院間で比較することで、システムは実際の患者画像に触れることなく、腫瘍がどのようなものかについての理解を一致させることができる。著者たちが「スペクトル・プロトタイプ・アライメント」と呼ぶこの手法は、病院間のギャップを効果的に埋め、個々のピースが欠けていても集団としての知性が強化されることを保証する。

学習プロセスは、単純な「はい」または「ノー」のラベルから学ぶ際に生じるノイズに対処するため、2つの明確な段階に分かれている。第一段階では、システムは利用可能なスキャンに基づいて、腫瘍がどこにある可能性があるかについての粗い推測、すなわち「疑似ラベル（pseudo-labels）」を生成する。データが不完全であるため、これらの初期の推測は乱雑であったり不正確であったりすることがある。第二段階は、専用の「リファインメント・ネットワーク（精緻化ネットワーク）」として機能する。これは、粗い推測を取り込み、それらを浄化する第二の知性の層である。このネットワークは、安定したガイダンスを提供する「教師」モデルや、さまざまな手がかりを重み付けして最終的な腫瘍の形状を決定する投票システムを含む技術を組み合わせて使用する。この二段階のプロセスにより、システムは弱い教師あり学習（weak supervision）の通常の精度限界を突破し、粗くてノイズの多いヒントを、精密で詳細な腫瘍の輪郭へと変えることができるのである。

研究者たちは、FeTS2022チャレンジ、髄膜腫に関するBraTS-MENデータセット、およびサブサハラアフリカのBraTS-SSAデータセットを含む、複数の機関からの脳腫瘍に関する3つの異なるデータセットを用いて、このフレームワークをテストした。これらのテストでは、病院がフルセットから単一のスキャンに至るまで、さまざまな組み合わせのMRIスキャンを持っている多様なシナリオが含まれていた。結果は驚くべきものであった。画像レベルのラベルのみを使用し、スキャンの欠落に対処しながら、MOSICシステムはFeTS2022データセットにおいて0.84のDiceスコア（予測された腫瘍の輪郭が実際の腫瘍とどれだけ一致しているかを測定する指標）を達成した。このパフォーマンスは、バウンディングボックスやポイント・アノテーションのような、より詳細な教師あり学習に依存する他の手法を凌駕し、すべてのデータが集約された中央集約型モデルさえも上回った。実際、このシステムは、非常に単純な形式のラベルしか使用していないにもかかわらず、専門家が手作業ですべての腫瘍の境界を描く「完全教師あり学習」の手法に近い精度を実現した。

最も重要な発見の一つは、未知の病院に対するシステムの適応能力であった。翻訳モジュールは、特定の種類のスキャンではなく、利用可能なスキャンの数にのみ依存するため、新しい病院はネットワークに参加してすぐに貢献を開始できる。研究者たちは、新しい機関がすでに訓練されたネットワークに参加し、システム全体を最初から再学習させることなく、既存のメンバーと極めて僅かな差でパフォーマンスを達成できることを示した。この能力は、医療プロトコルや機器の可用性が広く、かつ時間の経過とともに変化するという実世界の展開において極めて重要である。また、システムは自身の不確実性を定量化する優れた能力も示し、欠落したデータのために腫瘍の境界に対する自信が低い場合に、それを正しく特定できた。これは、臨床現場における信頼を築くために不可欠な機能である。

研究では、異なるアライメント戦略が使用された場合に何が起こるかも調査された。研究者たちは、画像の単純な平均値や標準偏差を一致させることでデータを整列させようとする他の手法と、彼らの周波数ベースのアプローチを比較した。その結果、これらのより単純な手法は、異なる種類の医療スキャンを区別する複雑なテクスチャベースの署名を捉えることに失敗することがわかった。データの根底にあるリズムのパターンを見る周波数ベースのアプローチのみが、多様なデータセットを正常に整列させることができた。このことは、不完全で不均質なデータを扱うタスクにおいては、データの「音量」を見るのではなく、データの「音楽」を見ることが、はるかに効果的な戦略であることを示唆している。

この研究の意義は、脳腫瘍だけに留まらない。患者のデータを移動させることなく強力な医療AIモデルを訓練する能力、そして異なる病院が異なるツールや詳細度を持っているという現実を受け入れる能力は、グローバルなヘルスケアにおける根本的なボトルネックに対処するものである。単純なラベルと不完全なデータを用いて高い精度が可能であることを証明することで、研究者たちは、より多くの病院が共同的なAI研究に参加できる道を開いた。このシステムは、高価で時間のかかる手動のアノテーションを必要とせず、またすべての病院に同じ高価な機器を要求することもない。むしろ、不完全なソースからの多様な知識を集約し、高度に正確で信頼できるモデルへと合成できる、柔軟でプライバシーを保護するネットワークを構築している。

結局のところ、MOSAICフレームワークは、プライバシーと不完全なデータという制約が、進歩への障壁にはなり得ないことを証明している。データのサイロ化、ラベルの不足、機器のばらつきといった現実世界の制約を尊重するように設計することで、研究者たちは、安全であるだけでなく、従来の集中型のアプローチよりも優れた協調的知性を構築できることを示した。この研究は、医療AIの未来が、すべてのデータを一箇所に集めることにあるのではなく、多様で断片的なグローバルヘルスケアの現実に適応できるスマートなシステムを作り出すことにあることを示唆している。