NeuroRAD-FM: A Distributionally Robust Foundation Model for Precision Neuro-Oncology

技術要約: NeuroRAD-FM

問題提起
神経腫瘍学における基盤モデル（Foundation Models: FMs）は、非侵襲的な分子特性評価や予後予測への道を開くものとして期待されているが、臨床応用における重大な障壁に直面している。現在のモデルは、MRIスキャナー、撮像プロトコル、および患者集団の違いによって生じる施設間の分布シフト（サイト・バリアンス）に大きく制限されている。これにより、モデルが生物学的に関連のある腫瘍特徴量を学習するのではなく、施設固有のシグネチャに過学習してしまう現象が起こる。さらに、既存のアプローチは、データの不均衡による過小表現された分子変異への対応に苦慮しており、多くの場合、単一の自己教師あり学習バックボーンに依存しているか、あるいは事前学習中に手動での腫瘍セグメンテーションを必要とするため、多様な臨床環境におけるスケーラビリティと汎用性が制限されている。

手法
著者らは、神経腫瘍学に特化して設計された分布ロバストな基盤モデルであるNeuroRAD-FMを提案する。その手法は、以下の3つのコアコンポーネントで構成されている。

1. データと事前学習: 本モデルは、複数の施設（Brains, MU-Glioma-Post, LUMEIREデータセットを含む）から集約された7,414件のマルチシーケンス脳MRI検査を用いて事前学習されている。学習には4つのMRIシーケンス（T1N, T1C, T2W, T2F）を使用し、3D ResNetエンコーダアーキテクチャを採用している。極めて重要な点として、事前学習はセグメンテーションフリーであり、手動の腫瘍マスクを必要とせず、生の画像データから直接表現を学習する。
2. グループ分布ロバスト最適化（Group-DRO）: サイト・バリアンスに対処するため、著者らはGroup-DROフレームワークを採用している。全サンプルの平均損失を最小化するのではなく、アルゴリズムは定義されたグループ（例：撮像施設）間でのワーストケースのパフォーマンスを最適化する。これにより、モデルは施設に依存しない表現を学習することを強制され、未知の病院や外れ値となる撮像条件においても性能が低下しない堅牢性を確保する。
3. マルチバックボーン重み付きアンサンブル: 単一の自己教師あり目的関数に依存するモデルとは異なり、NeuroRAD-FMは、異なる自己教師あり学習（SSL）アルゴリズム（MoCo, DINO, MAE, BYOL）を用いた4つの補完的なエンコーダのファミリーを事前学習している。これらの埋め込みは、重み付きアンサンブルを介して結合される。重みは検証時に平均AUCの比率に基づいて一度決定され、その後固定される。これにより、アンサンブルは、決定論的な推論を維持しつつ、コントラスティブ学習、再構成、および自己蒸留の各目的関数が持つ補完的な帰納バイアスを活用できる。

主な貢献

• サイト不変な表現学習: Group-DROとマルチバックボアンブルの統合により、疾患特異的な生物学的区別を保持しながら、撮像施設に依存しない特徴量の学習に成功した。
• セグメンテーションフリーの事前学習: 手動セグメンテーションというボトルネックなしに、堅牢な腫瘍中心の表現を学習することで、不均質なデータセットに対する大規模な学習を可能にした。
• 不均衡への堅牢性: 本フレームワークは、データが乏しく不均衡な過小表現された分子マーカー（例：CDKN2A/2B欠失、TERT変異）における性能を特に向上させた。
• 統一されたフレームワーク: 複数のタスク固有モデルを必要とせず、複数のダウンストリームタスク（セグメンテーション、分子予測、生存分析）に適応可能な、単一の統一された潜在表現を提供する。

結果
モデルは、UCSF (n=111)、UPenn (n=95)、およびインハウス・コホート (n=292) の独立した神経膠腫（グリオーマ）コホートを用いて評価された。

• 腫瘍セグメンテーション: NeuroRAD-FMは、神経膠腫、髄膜腫、および転移性腫瘍のデータセットにおいて、すべての腫瘍コンパートメント（増強腫瘍、腫瘍周囲浮腫、壊死コア）でベースラインであるBrainIACを大幅に上回った。例えば、神経膠腫の増強腫瘍（ET）において、Neuro型はBrainIACの60.8に対し、83.59のDice類似係数（DSC）を達成した。
• 分子バイオマーカー予測: モデルは分子状態の予測において優れた精度を示した：
  • IDH1変異: AUC 85.58（BrainIACは62.42）。
  • MGMTメチル化: AUC 75.59（BrainIACは65.36）。
  • 過小表現されたマーカー: CDKN2A/2B欠失（AUC 80.33 vs 65.00）、EGFR増幅、TERTプロモーター変異、TP53変異、およびKi-67指数において顕著な改善が見られた。
• 生存予測: NeuroRAD-FMは、3つの機関すべてにおいてベースラインよりも高い一致指数（c-index）を達成し、コホートに応じて3.85から8.02ポイントの改善を示した。
• 解釈可能性: Grad-CAMによる可視化により、モデルのアテンション機構が背景ノイズではなく、解剖学的に関連のある腫瘍領域に集中していることが確認され、学習された特徴量の生物学的妥当性が支持された。

意義と主張
本論文は、NeuroRAD-FMが、臓器非依存的および単一バックボーンの神経基盤モデルにおける決定的な失敗モード、すなわちサイト・バイアスおよび単一の帰納バイアスへの脆弱な依存に対処したものであると主張している。Group-DROとマルチバックボーン・アンサンブルを組み合わせることで、本フレームワークは、共通の分子サブタイプおよび生存アウトカムの予測を大幅に改善する、サイト不変な表現学習を可能にする。

著者らは、NeuroRAD-FMを臨床展開可能な神経腫瘍学AIのためのスケーラブルなフレームワークとして位置づけており、スキャナーやプロトコルを越えた汎用性の必要性と、臓器特異的な生物学的パターンの保持の必要性のバランスをとっていることを強調している。また、モデルが強力な遡及的性能を示している一方で、臨床的な準備性と再現性を確実にするためには、今後の研究において前向きな、事前登録されたマルチセンター検証を優先させる必要があると述べている。