MRI AI解析の課題を統合的に解く「Decipher-MR」ファウンデーションモデルが登場

医療画像解析の新たなAIの基盤となる3D MRI特化型の視覚言語モデル「Decipher-MR」が発表されました。20万超のMRIデータから学習し、複数の臓器や疾患に対応できる汎用的なAIプラットフォームとして期待されています。

背景：MRI診断とAI化の課題

MRI検査は脳、心臓、腹部など多様な臓器の詳細な画像情報を提供しますが、各検査ごとに撮像条件、スライス厚、プロトコルが異なり、病理も多岐にわたります。このような多様性があるため、特定の疾患や臓器のみに特化した従来のAIモデルは、他の領域への応用が困難でした。また、医療データの希少性と学習に必要な膨大なラベル付きデータの確保も、AI開発を阻む大きな課題でした。

こうした背景から、大規模で多様なMRIデータから汎用的な「基盤モデル（ファウンデーションモデル）」を構築し、様々な臨床診断タスクへの応用を可能にする技術が求められていました。

主な発見：Decipher-MRの特性と性能

NPJ Digital Medicineに発表されたDecipher-MRは、以下の特徴を備えています：

• 大規模学習データ：22,000を超える研究から収集した200,000のMRIシリーズを学習に使用
• ハイブリッド学習アプローチ：自己教師学習と放射線科医によるMRI報告書のテキスト情報を組み合わせた教師付き学習を採用
• モジュール設計：基盤となるエンコーダーは固定のまま、タスク特異的な軽量のデコーダーを後付けできる設計により、効率的な運用が可能

評価では、疾患分類、年齢や性別などの人口統計情報の予測、解剖学的領域の特定、MRI画像とテキストレポートの相互検索など、複数のタスクで既存のモデルを上回る性能を示しました。またADNI、PI-CAI、ACDC、LLD-MMRIなど複数の公開ベンチマークデータセットで検証されており、脳、心臓、腹部など異なる臓器や、T1強調、T2強調など様々なMRIシーケンスに対応できることが確認されています。

臨床的意義

Decipher-MRの開発は、医療画像AI分野における重要な転換点となる可能性があります。これまで、特定の疾患や臓器ごとにAIモデルを一から構築する必要がありましたが、汎用的な基盤モデルが利用できれば、新しい臨床タスクへの適応が迅速かつ効率的になります。また、データ希少性が課題とされる稀少疾患や新しい臨床応用においても、事前学習されたモデルを活用することで、より少ないデータで高い精度を実現できる可能性があります。

実装面でも、モジュール設計により医療機関や研究施設が限定的な計算リソースで独自のAI診断ツールを開発・導入しやすくなることが期待されます。

限界と今後の課題

本研究では公開されているベンチマークデータセットでの評価に限定されており、実臨床環境でのパフォーマンスはさらに検証が必要です。また、モデルの再現性がやや制限されている点も指摘されており、今後の検証と改善が重要になります。さらに、学習データの多様性が十分であっても、極めて稀な画像パターンや新たな病理には対応が限定される可能性があります。

Original paper: Decipher-MR: a vision-language foundation model for 3D MRI representations. — NPJ digital medicine. 10.1038/s41746-026-02596-4

🎧 ポッドキャストを聴く