乳房MRIトリアージの効率化：AI基盤モデルが造影・非造影プロトコルにどう貢献するか

August 15, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Adapted foundation models for breast MRI triaging in contrast-enhanced and non-contrast-enhanced protocols
European Radiology｜被引用数: 0（2026年8月15日時点）

乳がんの早期発見において、乳房MRIは特に高密度乳腺を持つ女性にとって重要な診断ツールですが、その解釈には多大な時間と専門知識が必要です。この課題を克服するため、人工知能（AI）の活用が期待されています。本研究は、造影剤を使用するプロトコルと使用しないプロトコルの両方で、AIが乳房MRIの迅速なトリアージをどのように支援できるかを探り、専門家の負担を軽減し、より効率的な診断ワークフローを実現する可能性を示しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のMRIデータセットとオープンソースの基盤モデルを利用し、研究は実施可能です。
Ethical倫理面	倫理審査委員会承認済みの後向き研究であり、インフォームドコンセントは免除されました。
Interesting面白さ	造影・非造影の両プロトコルでAIトリアージを評価する点は、臨床的関心が高いです。
Novel新規性	DINOv2ベースの基盤モデルを乳房MRIの臨床的トリアージに適用し、造影・非造影プロトコルを比較した点が新規性があります。
Relevant切実さ	乳房MRIスクリーニングにおける専門家の負担軽減と効率向上に貢献し、診断プロセスを改善する可能性があります。
Measurable測定可能性	感度、特異度、AUCを用いて客観的にモデル性能を評価しました。
Modifiable派生・改善	AIモデルのアーキテクチャや入力シーケンスは、今後の研究で改善の余地があります。
Structured文章構造	目的、方法、結果、考察が明確に記述された、学術的に構造化された研究です。
PICO / PECO対象・介入・比較・結果	P(乳房MRI対象者), I(DINOv2ベースMSTによるBI-RADS 4以上のトリアージ), C(従来の診断プロセス), O(専門家ワークロード軽減と早期診断支援)。

はじめに：乳房MRIとAIの可能性

どうも、Beyond the Pixelです。乳がんは女性のがん死亡率において主要な原因の一つであり、早期発見が治療成績に極めて重要な役割を果たします。特にマンモグラフィでは評価が難しい高密度乳腺を持つ女性にとって、磁気共鳴画像（MRI）は非常に感度の高い診断ツールです。しかし、乳房MRIの画像解釈は時間がかかり、高い専門知識を要するという課題があります。臨床現場では、乳房画像診断報告・データシステム（BI-RADS）という標準化された分類システムが用いられ、BI-RADS 1-3（良性である可能性が高い）とBI-RADS 4-6（直ちに追加の診断検査が必要な疑わしい所見）とを区別することが、スクリーニングにおける重要な意思決定点となります。従来の乳房MRIプロトコルはガドリニウムベースの造影剤に依存しており、診断精度を高める一方で、検査時間の延長、コスト増大、そして稀ながら潜在的な健康リスクを伴います。このため、造影剤を使用しない短縮MRIプロトコル、例えば高b値拡散強調画像（DWI）の活用が積極的に研究されています。人工知能（AI）は乳房MRI解析を支援する大きな可能性を秘めていますが、大規模で専門家がラベリングしたデータセットの不足が、AIベースツールの開発における主要な障壁となっていました。本研究では、DINOv2のような大規模な自己教師あり学習によって訓練された「基盤モデル」を利用することで、この課題に対処しています。DINOv2はロバストで汎用性の高い特徴表現を可能にし、タスク固有のモデルと比較して汎化性能の向上が期待されます。本研究では、このDINOv2ベースの医用スライストランスフォーマー（MST）フレームワークを用いて、BI-RADS 4以上の所見を持つ検査を除外することで、短縮乳房MRIのトリアージを評価しました。MSTアーキテクチャは、2DスライスからDINOv2が特徴を抽出し、トランスフォーマーエンコーダがこれらを統合して、最終的な分類を行う仕組みです。

**Figure 3.** Fig. 3 MST architecture for 3D breast MRI classiﬁcation. T1sub, T1-weighted early subtraction; DWI1500, diffusion-weighted imaging with b-value 1500 s/mm²; T2w, T2-weighted; BI-RADS, breast imaging reporting and data system解説: この図は、3D乳房MRI分類のためのMST（医用スライストランスフォーマー）アーキテクチャを示しています。入力された3D MRIから2Dスライスを抽出し、DINOv2バックボーンで特徴を抽出、スライスフュージョントランスフォーマーで3D統合を行い、最終的に線形層でBI-RADS 1-3または4-6に分類します。

このアプローチは、臨床的に重要なトリアージの文脈において、造影・非造影の両プロトコルでその有効性を検証しています。

研究方法：多様なMRIプロトコルとデータセット

この研究は、倫理審査委員会の承認を得た後向き研究として実施されました。対象者集団は、n=1847の乳房MRI検査を院内データとして、さらにデューク大学の公開データセットから924件の外部検証データを含みました。除外基準は、BI-RADSスコアが抽出不能または欠損している場合、必要なMRIシーケンスが利用できない場合など、厳密に適用されました。その結果、1448名の女性対象者（平均年齢49±12歳）が解析に含まれました。院内データセットでは、最終的に1847件の片側乳房MRI検査が解析対象となり、そのうち1470件（80%）が良性（BI-RADS 1-3）、377件（20%）が疑わしいまたは悪性（BI-RADS 4-6）と分類されました。

**Table 1.** Table 1 In-house patients and sample characteristics解説: この表は、院内データセットにおける対象者とサンプル特性の概要を示しています。年齢、性別、BI-RADS評価の内訳、および背景乳腺の拡散（BPD）と背景乳腺の増強（BPE）のパターンが含まれています。

デュークデータセットでは、440件が良性、484件が悪性でした。

**Figure 1.** Fig. 1 Dataset generation with exclusion criteria解説: 本図は、研究に使用されたデータセットの生成プロセスと除外基準を示すフローチャートです。院内データセットから1847件の片側乳房MRI検査が分析に残され、デューク大学の外部データセットからは924件が分析されました。

MRI撮像は3テスラ装置を使用し、T1強調早期減算（T1sub）、拡散強調画像（DWI1500、b値1500 s/mm²）、T2強調画像（T2w）を含むプロトコルが用いられました。T1sub画像は、造影前画像から初回造影後画像を減算して作成されました。画像データは前処理され、BI-RADSスコアは臨床的なトリアージ決定を反映するよう、BI-RADS 1-3対BI-RADS 4-6の二値分類に変換されました。評価された短縮プロトコルは、T1sub単独、DWI1500単独、T2w+DWI1500、T2w+T1subの4種類です。モデルの性能評価は、90%、95%、97.5%の感度閾値における特異度、および受信者操作特性曲線下面積（AUC）を用いて行われました。5分割交差検証が適用され、偽陰性症例の病変特性が分析されました。また、外部データセットでは、AIが画像内のどこに注目したかを示すアテンションマップが評価されました。

**Figure 2.** Fig. 2 Sample images from the multiparametric breast MRI protocol showing an axial slice of the three different sequences used in this study. The images show a representative example of a mass lesion in the right breast classiﬁed as BI-RADS ≥4 in the clinical MRI report. A T2w image, B diffusion-weighted image, and C contrast-enhanced T1w subtraction image解説: この図は、本研究で使用されたマルチパラメトリック乳房MRIプロトコルにおける、代表的な質量病変の軸方向スライス画像を示しています。AはT2強調画像、Bは拡散強調画像、Cは造影T1強調減算画像であり、BI-RADS 4以上に分類された症例です。

は、質量病変を示す代表的なマルチパラメトリック乳房MRIプロトコルのサンプル画像で、T2w画像、拡散強調画像、造影T1強調減算画像が示されています。

研究結果：造影・非造影MRIにおけるAIの性能

MSTモデルの性能は、設定された感度閾値で評価されました。97.5%の感度では、T1sub+T2wの組み合わせが最も高い特異度19%±7%を示し、次いでDWI1500+T2wが17%±11%でした。全体として、AUCはT1sub+T2wで0.77±0.04、T1sub単独で0.77±0.09、DWI1500+T2wで0.74±0.04となり、プロトコル間での統計的に有意なAUCの差は認められませんでした。

**Table 2.** Table 2 Diagnostic performance metrics of different MRI sequence combinations解説: この表は、異なるMRIシーケンス組み合わせにおける診断性能指標をまとめています。AUC（平均±標準偏差）、T2w+T1subとのp値、および90%、95%、97.5%感度における特異度が含まれています。

は、異なるMRIシーケンス組み合わせにおける診断性能指標を示しており、各プロトコルのAUCと特異度が比較されています。

**Figure 4.** Fig. 4 Receiver operating characteristic curves for the evaluated MRI sequence combinations. The graph shows performance comparisons between different sequence combinations. The diagonal dashed line represents random chance performance. T1sub, T1-weighted early subtraction; T2w, T2- weighted; DWI1500, diffusion-weighted imaging with b = 1500 s/mm²**解説:** この図は、評価されたMRIシーケンス組み合わせに対する受信者操作特性（ROC）曲線を示しています。各曲線は異なるシーケンス組み合わせの性能比較を表し、対角の点線はランダムな性能を示します。

に示される受信者操作特性曲線は、各MRIシーケンス組み合わせの性能を視覚的に比較しています。偽陰性症例の分析では、95%および97.5%の感度において、見逃された病変は主に10mm未満であり、非腫瘤性増強効果（NME）が主であることが判明しました。

**Table 3.** Table 3 Characteristics of false negatives at different sensitivity thresholds解説: この表は、異なる感度閾値における偽陰性（AIが病変を見逃したケース）の特性を詳細に示しています。各シーケンス組み合わせにおける偽陰性の数、平均サイズ、および病変の種類（質量、非腫瘤性増強効果、限局性病変、その他）の内訳が含まれています。

は、異なる感度閾値における偽陰性の特性を示しており、見逃された病変の平均サイズと種類が記載されています。外部データセットであるデュークデータセットを用いたT1subプロトコルの外部検証では、AUCは0.77を達成しました。

**Figure 5.** Fig. 5 Performance of the T1sub model on the Duke dataset. Receiver operating characteristic curve with horizontal dashed lines marking sensitivity thresholds: red, 90%; yellow, 95%; and purple, 97.5%**解説:** この図は、デュークデータセットにおけるT1subモデルの性能を示しています。受信者操作特性曲線と、90%、95%、97.5%の感度閾値における特異度を水平の破線と点でマークしています。

は、T1subモデルのデュークデータセットにおける性能曲線と、90%、95%、97.5%の感度閾値における特異度を示しています。アテンションマップの評価では、真陽性症例の88%でアテンションマップが「良好」または「中程度」と評価され、モデルの解釈可能性が示唆されました。

**Table 4.** Table 4 Radiologist ratings of attention maps for 226 true positive cases解説: この表は、226件の真陽性症例に対して放射線専門家が評価したアテンションマップの評価結果を示しています。エリアアテンションとスライスアテンションのそれぞれについて、「良好」「中程度」「不良」の評価の内訳が件数とパーセンテージで示されています。

は、226件の真陽性症例に対する放射線専門家によるアテンションマップの評価結果をまとめています。

**Figure 6.** Fig. 6 Axial attention maps for a true positive case. A Slice attention highlighting the most important slices. B Area attention displayed as a heat map showing regions of interest within slices, where warmer colors (red/yellow) indicate higher attention weights and cooler colors (blue) indicate lower attention weights. The case shows a mass lesion presenting as focal contrast enhancement解説: この図は、真陽性症例における軸方向アテンションマップを示しています。Aは最も重要なスライスを強調するスライスアテンション、Bはスライス内の関心領域をヒートマップで示すエリアアテンションであり、病変（局所的な造影増強効果）に注目が集中していることが分かります。

は、真陽性症例におけるアテンションマップの例を示しており、病変を含むスライスと関心領域に注目が集中していることがわかります。

考察：AIトリアージの臨床的意義と課題

本研究は、DINOv2ベースのMSTフレームワークが、BI-RADS 4以上の所見を持つ検査を効率的にトリアージする能力を持つことを示しました。特に、非造影プロトコル（T2w+DWI1500）の性能が、造影プロトコル（T2w+T1sub）と比較して統計的に有意な差がなかったことは重要な知見です。97.5%の感度において17-19%の特異度を達成できたことは、スクリーニングワークフローにおいて約6分の1の検査を直ちのフルレビューから除外できる可能性を示唆しており、これは専門家のワークロード削減に繋がるでしょう。従来のマンモグラフィは高密度乳腺を持つ女性には限界があり、MRIスクリーニングがこれらの女性に利益をもたらすことが示されています。しかし、MRI解釈の時間の長さや専門家の不足が普及を妨げていますが、AIツールがこのギャップを埋める可能性を秘めています。本研究の結果は、AIが乳房MRIスクリーニングの効率化に貢献し、コスト削減に繋がる可能性を示唆しています。これまでの研究（Verburgら）と比較して、本研究のAUCが0.77とやや低いのは、BI-RADS 1-3対4-6という、より臨床的に関連性の高い3D分類スキームを採用したこと、およびデュークデータセットががん症例に偏っていることなどが要因と考えられます。ただし、専門家が短縮プロトコルを用いた場合でも94%までの特異度を達成するという報告もあり、AIモデルは現状では専門家の補完的なツールであり、代替するものではないと認識されています。見逃された病変の分析では、95%および97.5%の感度では、平均サイズが10mm未満の病変が多く、主に非腫瘤性増強効果（NME）であったことが分かりました。これは、NMEが不均一で拡散的な増強パターンを示すため、パッチベースの特徴抽出が難しいことに起因する可能性があります。しかし、アテンションマップの評価では、検出された症例の88%で病変部位と良好または中程度の重なりが見られ、モデルの判断の解釈可能性を支持しています。

研究の限界と今後の展望

本研究にはいくつかの限界があります。まず、単一施設の後向き研究であるため、結果の一般化には注意が必要です。また、BI-RADSの二値分類は、その詳細な粒度を十分に活用しておらず、臨床的な閾値設定に焦点を当てています。さらに、高b値DWIのみを評価し、臨床で一般的に使用される低b値DWIは検討していません。外部検証では、本研究のBI-RADSに基づく訓練アプローチとデュークデータセットの組織病理学的分類との間にドメインシフトがありました。また、本研究ではMSTフレームワークを他のAIアーキテクチャと比較していません。今後の研究では、スライス集約型ではなくネイティブな3Dモデリング戦略、造影プロトコルにおける動態強調情報、そして臨床変数の多角的統合を検討し、モデルの汎化性能と微細な非腫瘤性増強効果（NME）に対する感度をさらに向上させることが期待されます。

まとめ

本研究は、適応型基盤モデルが乳房MRI検査のトリアージを支援する可能性を明らかにしました。造影プロトコルと拡散強調画像による非造影プロトコルとの間で性能差が小さいという知見は、乳房MRIスクリーニングアプローチを最適化し、早期発見と対象者の治療成績向上に貢献する実行可能な道筋を示唆しています。このようなAIベースのトリアージは、専門家のワークロードを軽減し、より効率的な医療提供体制の構築に繋がるでしょう。

用語集

BI-RADS: 乳房画像診断報告・データシステムの略で、乳房の画像所見を標準化して分類するシステムです。
DINOv2: 大規模データで自己教師あり学習されたAIモデル（基盤モデル）の一種で、汎用性の高い視覚的特徴を抽出できます。
MST (Medical Slice Transformer): 医用スライストランスフォーマーの略で、2Dスライスから抽出した特徴を3D画像として統合・分類するAIアーキテクチャです。
T1sub (T1-weighted early subtraction): T1強調早期減算画像で、造影剤注入前後のT1強調画像を減算して造影効果を強調した画像です。
DWI1500 (diffusion-weighted imaging with b = 1500 s/mm²): 拡散強調画像の中でも、b値が1500 s/mm²と高い設定で撮像された画像で、細胞密度の高い悪性病変の検出に有用とされます。
T2w (T2-weighted): T2強調画像の略で、組織の水分含有量を反映し、病変の検出に用いられるMRIシーケンスの一つです。
AUC (Area Under the Receiver Operating Characteristic Curve): 受信者操作特性曲線下面積の略で、診断モデルの全体的な識別能力を示す評価指標です。値が高いほど性能が良いことを意味します。
感度 (Sensitivity): 病変がある対象者の中で、AIが正しく病変を検出した割合を示します。見落としの少なさに関わります。
特異度 (Specificity): 病変がない対象者の中で、AIが正しく「病変なし」と判断した割合を示します。誤検出の少なさに関わります。
NME (Non-mass enhancement): 非腫瘤性増強効果の略で、MRIで造影される領域が腫瘤（塊）を形成しない、拡散的または線状の増強パターンを示す病変です。
基盤モデル (Foundation model): 非常に大規模なデータセットで事前学習され、様々な下流タスクに適応可能な強力なAIモデルです。
トリアージ (Triaging): 医療において、対象者の緊急性や重症度に基づいて検査や治療の優先順位を決定することです。
交差検証 (Cross-validation): データセットを複数の部分に分割し、一部でモデルを訓練し、残りで評価を繰り返すことで、モデルの汎化性能を客観的に評価する統計的手法です。
アテンションマップ (Attention map): AIモデルが画像のどの部分に注目して判断を下したかを可視化したもので、モデルの解釈性向上に役立ちます。