医用画像AI：医学文献に基づく画像–テキスト基盤モデルによる透明性のある医用画像AI

信頼性と透明性のある画像ベースの医療人工知能（AI）システムを構築するには、訓練モデルから展開後のモニタリングまで、開発パイプラインの全ての段階でデータとモデルを調査する機能が必要である。理想的には、医師に馴染みのある用語を用いてデータや関連するAIシステムを記述することは可能だが、これにはコンピューターが理解可能なコンセプトに基づき密に注釈付けされた医療データセットが必要となる。本研究では、MONET（medical concept retriever）と名付けた基盤モデル手法を紹介する。これは、医用画像をテキストと関係付ける方法を学習し、コンセプトの存在に基づいて画像を密にスコア化して、データ監査やモデル監査、モデル解釈といった、医療AI開発や展開における重要なタスクを可能にする。皮膚科学は、疾患、肌の色、画像診断技術が多様に異なるため、MONETの多用途性にとって要求性の高い使用事例となる。我々は、大規模な医学文献集から自然言語による記述と対にした10万5550枚の皮膚科画像に基づいて、MONETを訓練した。MONETは、皮膚科専門医によって検証された皮膚科画像全体にわたるコンセプトを正確に注釈付けすることができ、以前にコンセプトの注釈付けがなされた皮膚科臨床画像のデータセット上に構築された教師有りモデルに引けを取らないほどの性能であった。我々は、AI臨床試験の結果を分析する症例研究をはじめ、本質的に解釈可能なモデルの構築からデータセットやモデルの監査まで、AIシステム開発パイプラインの全過程において、MONETがどのようにしてAIの透明性を可能するかを示す。