arXivに掲載されたベンチマーク研究が、4つの主要な視覚モデルファミリー—畳み込みニューラルネットワーク（CNN）、視覚Transformer（ViT）、ハイブリッドCNN-Transformerバックボーン、視覚言語モデル（VLM）—を、実際のマルチ疾患網膜スクリーニング設定で体系的に比較した。Durjoy Deyらによるこの研究はICMHI 2026で採択され、臨床展開に向けた自動スクリーニングツールのモデル選択のための再現可能なリファレンスを提供することを目指している。
研究チームは、多疾患の網膜病変を含む網膜眼底画像データセット（RFMiD）を使用し、12の具体的なアーキテクチャを2つのタスクで評価した。1つは任意の網膜疾患の有無を判定する二値スクリーニング、もう1つは28の疾患クラスに対するマルチラベル分類である。すべてのモデルは標準化された訓練、キャリブレーション、評価プロトコルを採用し、AUC、F1スコア、適合率、再現率、および特異度が約80%の臨床的に妥当な動作点での感度を報告した。
RFMiDデータセットでは、すべてのアーキテクチャが二値スクリーニングで良好な性能を示し、AUCは84%を超えたが、注意機構ベースのモデルが最良であった。特にSwinTiny、ハイブリッドモデルのCoAtNet0とMaxViTTinyが最強の二値スクリーニング結果を達成し、マルチラベル設定でもマクロおよびマイクロF1スコアを改善した。一方、CLIP ViT-B/16やSigLIP-Base384を含む視覚言語モデルはCNNベースラインと競争力があるものの、最高のTransformerやハイブリッドバックボーンを超えることはなかった。
ドメインシフトに対する汎化性能を評価するため、研究ではMessidor-2データセットを用いた外部検証も実施され、紹介可能な糖尿病網膜症を対象とした。その結果、AUCは66.8%から84.7%の範囲にわたり、ハイブリッドモデルとTransformerモデルが再び強力な性能を示した。この外部検証は、異なるデータ分布下でのモデルの性能差を明らかにし、標準化された評価の重要性を強調している。
本研究は、マルチ疾患網膜スクリーニングにおけるモデル選択の系統的なリファレンスを提供し、注意機構ベースのアーキテクチャが臨床スクリーニングタスクで潜在的な優位性を持つことを示唆している。しかし、視覚言語モデルは他の領域で優れた性能を示すものの、このタスクでは専用の視覚モデルを超える性能を発揮しなかった。これらの知見は、特に多疾患とドメインシフトに対処する必要がある実際の臨床環境における、将来の自動スクリーニングツールの設計と最適化に役立つだろう。