肺結節の良性・悪性分類は肺がんの早期スクリーニングに極めて重要であるが、結節のマルチスケール性と不均一性のために課題が多い。深層学習は補助診断の可能性を提供するが、既存モデルの多くは「ブラックボックス」であり、信頼できる臨床統合に必要な透明性と説明可能性を欠いている。
この問題に対処するため、研究者らはM3Netを提案した。これは放射線科医の階層的診断ワークフローに着想を得た新しい3Dネットワークであり、微細構造から大局的な解剖学的関係に至るマルチスケールのコンテキスト情報を統合する。M3Netはプログレッシブなマルチスケール入力を構築する：微細な結節構造から局所セマンティクス、そして全局空間関係へ。ネットワークはスケール固有のエンコーダを採用し、潜在空間投影と相互情報量最大化によりクロススケールの意味的一貫性を確保する。
公開LIDC-IDRIデータセットと自己収集臨床データセットUSTC-FHLNでの広範な実験により、本手法は最先端の性能を達成し、それぞれ86.96％および84.24％の精度で、最良ベースラインを3.26％および2.17％上回った。これらの結果は、M3Netが肺結節分類においてよりロバストで臨床的に関連性の高いソリューションを提供することを検証している。本研究はInformation Fusion誌に掲載され、コードはGitHubで公開されている。さらに、M3Netの設計は肺結節分類に留まらず、腫瘍セグメンテーションや臓器検出など、他の医用画像解析タスクへの応用が期待される。今後の研究方向として、より幅広い臨床シナリオへの拡張とモデルの解釈可能性の向上が挙げられている。