DINOv3-MIL：基礎モデルのパッチトークンによる腎臓腫瘍および嚢胞のマルチラベル検出（KiTS23データセット）
自然画像で訓練された基礎視覚モデルは、ドメイン固有の事前訓練なしで医療タスクに転用できる。本研究では、KiTS23データセットでDINOv3特徴量を用いて腎腫瘍と嚢胞の検出のための3つのアグリゲーターを比較し、ゲート付き注意機構マルチインスタンス学習（MIL）が最高性能（腫瘍AUROC 0.74、嚢胞AUROC 0.80）を示した。プロトタイプヘッドは嚢胞検出で失敗し（AUROC 0.51）、解釈可能性と性能のトレードオフが明らかになった。
自然画像で事前学習された基礎視覚モデル（例：DINOv3）は、追加の医用ドメイン事前学習なしで医療画像解析に転用可能である。しかし、三次元ボリュームデータを扱う場合、検査ごとに数万個のパッチトークンを集約する必要があり、その集約方法がモデルの解釈可能性に大きな影響を与える。
本研究では、KiTS23データセット（腎臓966個、テスト症例97）を用い、凍結されたDINOv3 ViT-H/16+特徴量に基づいて3つの集約手法を比較した：CLSトークン線形プローブ、55,296個のパッチトークンに対するゲート付き注意機構マルチインスタンス学習（MIL）、およびProtoViTに従ったプロトタイプヘッドである。
実験の結果、注意MILが腫瘍検出で最高のAUROC（0.74、95%信頼区間0.64-0.83）を、嚢胞検出でもAUROC（0.80、0.70-0.88）を達成し、注釈付き病変内での注意の濃縮度は偶然の7.5～9.8倍であった。
一方、プロトタイプヘッドは嚢胞検出でAUROC 0.51と低性能であり、ほぼランダムな推測に等しかった。この結果は、このトークンスケールにおいて、モデルの解釈可能性と検出性能の間に明確なトレードオフがあることを示している。注意MILはエンドツーエンドの学習により病変を正確に特定できるが、解釈可能性の一部を犠牲にする。プロトタイプヘッドは理論的により解釈可能であるが、嚢胞検出への一般化に失敗した。
本研究はMIUA 2026会議でポスター発表として採択され、『Frontiers in Medical Technology』に掲載予定である。この結果は、医用画像解析においてタスクに適した集約手法を選択することの重要性を強調し、基礎モデルを三次元医用診断に応用するための重要な知見を提供する。