Toward Vision Language Model-based Assessment of Clinical Quality and Usability of LGE-MR Images for Cardiac Ablation Planning

技術要約：心臓アブレーション計画におけるLGE-MRIの臨床的品質および有用性のVLMに基づく評価

問題提起
遅延ガドリニウム造影（LGE）心臓MRIは、左心房（LA）の線維化を評価し、心房細動患者におけるカテーテルアブレーションを計画するために極めて重要である。しかし、ダウンストリームのセグメンテーションおよび臨床的意思決定の信頼性は、画像の品質に大きく依存する。ノイズ、動きによるアーチファクト、境界定義の不明瞭さといった低品質な画像は、アブレーション標的の誤定位を招き、手技の安全性を損なう可能性がある。現在、スキャンがアブレーション計画のための最小品質閾値を満たしているかどうかの判断は、放射線科医によって非公式に行われている。このプロセスは主観的で時間がかかり、スケールアップが困難である。既存の自動画像品質評価（IQA）手法は、スカラー指標（PSNR、CNRなど）に依存しているが、これらは主観的な臨床評価と相関しないことが多く、解釈可能な根拠を提供することもできない。さらに、多角的な臨床的推論に基づいた、自動化されたバイナリ（二値）の「有用性」決定を行う既存のシステムは存在しない。

手法
著者らは、IQAを直接的なスカラー回帰タスクとしてではなく、臨床に基づいた推論問題として扱うために設計された、2段階のビジョン言語モデル（VLM）フレームワークを提案している。

1. データセットのキュレーション:

   • LAScarQS 2022データセットからサンプルを抽出し、20名の患者からなる60組の注釈付きMRI画像スライスとテキストのペアで構成されるデータセットを構築した。
   • 左心房（LA）の可視性を最大化するため、患者ごとに3つの中心スライスを選択した。
   • 専門の放射線科医が、5つの順序尺度（0–3のスケール：使用不可から良好まで）にわたってデータを注釈した。項目は、ノイズ、動きによるアーチファクト、LA境界の正確性、肺静脈（PV）領域の正確性、およびアンダーセグメンテーションの深刻度である。
   • また、画像がアブレーション計画のための最小閾値を満たしているかどうかに基づいて、バイナリの「臨床的有用性」の決定（Yes/No）も割り当てられた。

2. 第1段階：画像からレポートへの生成:

   • ファインチューニングされたVLMは、構造化された放射線科スタイルのテキストレポートを生成するようタスクが設定されている。
   • データ準備段階において、GPT-4o-mini APIを使用して、専門家の順序スコアに基づいた多様なテキスト記述を生成し、学習の教師信号とした。これは意味的なボトルネックとして機能し、モデルが表面的なパターンを記憶するのではなく、高レベルな臨床属性を学習することを促進する。
   • モデルは5つの基準を予測し、自由形式のテキストによる説明を生成する。

3. 第2段階：レポートからスコアへのマッピングおよび決定:

   • 二次的なGPTベースの推論モジュール（LLM）が、VLMによって予測されたテキストレポートを処理する。
   • このモジュールは、自由形式のテキストから構造化された数値スコアを抽出し、明示的な決定ルールを適用して、バイナリの臨床的有用性の決定を導き出す。
   • 決定ロジックは保守的である。動き、境界の正確性、およびPVの正確性がすべて「不良（Poor）」ではないと評価された場合にのみ、画像は「有用」とみなされる。ノイズは二次的な要因として扱われ、境界が維持されていれば、ノイズが自動的に有用性を排除することはない。
   • この2段階のデザインは、視覚的知覚（VLM）と構造化された臨床的推論（LLM）を分離し、表面的な出力の変動に対する堅牢性を向上させている。

主な貢献

• データセット: 5つの品質基準とバイナリの有用性ラベルを持つ、専門家によって注釈付けされた60のスライスからなる特化したLGE-MRIスライスのキュレーション。
• フレームワーク: 単純なスカラースコアリングを超え、解釈可能な放射線科スタイルレポートを生成し、バイナリの臨床決定へとマッピングする、2段階のVLM-LLMパイプラインの導入。
• ベンチマーキング: パラメータ効率の高いファインチューニング（LoRA）の下で、4つの最先端VLMアーキテクチャ（InternVL2-2B, DeepSeek-v1-1.3B, Qwen2.5-3B, LLaVa-1.5-7b）を評価。

結果
フレームワークは、精度（ACC）、ピアソン線形相関係数（PLCC）、および許容精度（Acc±1）を用いて、20%のテストセット（患者レベルの分割）で評価された。

• 基準レベルの性能（タスク1）:

  • InternVL2-2Bは、5つの基準全体で最高の平均精度（0.65）とPLCC（0.79）を達成した。
  • DeepSeek-v1-1.3Bは、平均精度0.60、PLCC 0.78でこれに続いた。
  • ノイズと動きの基準は、解剖学的基準（境界、PV、アンダーセグメンテーション）よりも正確に予測された。これは、アーチファクトの明確なピクセルレベルの特徴に対し、構造的な描写の主観性が高いためと考えられる。
  • 許容精度: すべてのモデルが（Qwen2.5の0.92を除き）完全な許容精度（Acc±1 = 1.00）を達成しており、予測が専門家の評価から1つの順序レベル以上に逸脱することが稀であることを示している。

• 臨床的有用性の決定（タスク2）:

  • DeepSeek-v1-1.3Bは、放射線科医の決定と完全に一致（ACC=1.00, F1=1.00, Kappa=1.00）し、個別の基準レベルの誤りを補正して正しい臨床的結論に到達するパイプラインの能力を実証した。
  • InternVL2-2Bは、実質的な一致を示した（ACC=0.92, Kappa=0.83）。
  • LLaVa-1.5-7BおよびQwen2.5-3Bは、中程度から強い一致を示した（それぞれACC=0.75および0.83）。

意義および主張
本論文は、本研究を、MR画像を含む臨床ワークフローにおけるVLMベースの自動品質管理の実現可能性を示す**概念実証（Proof-of-concept）**として提示している。著者らは以下のことを主張している：

1. VLMは、専門家の推論と一致する、構造化され解釈可能な品質レポートを生成できる。
2. 2段階のアーキテクチャは、視覚的知覚と臨床的推論を効果的に分離し、個々の基準予測が完璧でない場合でも、信頼できるバイナリの有用性決定を生み出すことを可能にする。
3. このアプローチは、単なるスカラースコアではなく、実行可能な臨床出力を提供する、スケーラブルで自動化されたIQAのギャップに対処するものである。

著者らは、データセットが限定的（60スライス、20名）であり、単一の放射線科医によって注釈付けされていることを挙げ、その範囲について謙虚な姿勢を保っている。彼らは、これらの結果は予備的な証拠であり、臨床展開前の汎用性を検証するためには、将来的な作業として、より大規模なマルチセンター・コホートおよびマルチリーダー・プロトコルが必要であることを強調している。