医療画像AIモデルは、異なる機器や施設に展開する際、データ分布の違い（ドメインシフト）により性能が低下することが多い。従来の対策としてターゲットドメインに新たなアノテーションを収集する方法は、コストと労力が大きく、プライバシーの問題も伴う。この課題に対し、上海交通大学などの研究チームは、ラベルなしのターゲットデータを活用したロバストなクロスドメイン汎化手法を提案し、2026年5月27日にプレプリントサーバーarXivで公開した。
研究は小児手首骨折のポイントオブケア超音波（POCUS）評価を応用場面とする。POCUSは骨折のトリアージに有効であり、AIは放射線科医レベルの検出性能を示しているが、高品質な骨構造セグメンテーションに依存する。しかし、Philips LumifyプローブとTeleMED携帯プローブのような異なる機器間のドメインシフトにより、既存モデルは新規機器で性能が低下する。そこでチームは、「ターゲット認識型自己教師あり事前学習＋モデルアンサンブル」戦略を設計した。
具体的には、まずラベル付きソースドメインデータで初期セグメンテーションモデルを訓練。次にラベルなしターゲットドメインデータで自己教師あり事前学習を行い、マスク画像モデリング（MIM）と対照学習を組み合わせてターゲットドメインの構造特徴表現を獲得。最後に、信頼度認識融合ヘッドを導入し、ソースモデルとターゲット適応ブランチの予測を動的に統合し、汎化性能を向上させる。プロセス全体でソースとターゲットデータは厳格に分離され、プライバシー保護要件を満たす。ソースデータセットはPhilips Lumifyプローブで収集され高密度ラベル付き、ターゲットデータセットはTeleMED携帯プローブで収集されラベルなしである。
実験では、62の小児POCUS動画から得た318枚の超音波画像を使用。ターゲットドメイン（TeleMEDプローブ）のDice係数がベースライン比で6%以上向上した。この結果は、ターゲットドメインのラベルを必要とせずにクロスデバイスロバスト性を大幅に改善できることを示している。研究者らは、本フレームワークがマルチセンター臨床研究や連合学習環境にも拡張可能であり、医療AIの実用展開においてラベル効率的かつプライバシーフレンドリーな解決策を提供すると述べている。
本研究の意義は、超音波AIのクロスデバイス汎化という実問題を解決するだけでなく、自己教師あり学習を用いてラベルなしターゲットデータから構造知識を抽出する一般的な方法論を提案した点にある。今後、CTやMRIなど他の医用画像モダリティでの検証や、連合学習との統合が期待される。