卵巣腫瘍は婦人科悪性腫瘍の中でも致死率が高いが，超音波画像のみで良性・悪性を正確に識別することは困難である。診断のばらつきにより過剰な手術が行われる場合がある一方で，悪性腫瘍の見逃しも生じており，臨床上の課題となっている。こうした状況を背景に，スペインの研究チームは卵巣腫瘍の分類を目的として，畳み込みニューラルネットワーク（CNN）とTransformerを早期融合させたハイブリッドAIモデルを開発した。
Frontiersに発表された論文によると，モデルの学習には，1,469枚の2次元Bモード超音波画像で構成されるデータセット「OTU-2D（Ovarian Tumor Ultrasound 2D）」を使用している。CNNで局所的な特徴を抽出し，Transformerで画像全体の文脈情報を学習することで，腫瘍の質感や構造をより精緻に捉えることが可能となった。5分割クロスバリデーションの結果，ハイブリッドモデル単体でAUC 0.9904，正答率92.13%，感度92.38%，特異度98.90%を達成し，ソフトアンサンブルではAUC 0.991，正答率93.3%，感度93.6%，特異度99.0%と高精度を示した。さらに，Grad-CAMによるヒートマップにより腫瘍辺縁など臨床的関心領域を可視化し，エントロピーに基づく不確実性により，自動診断と専門医介入の切り分けが可能となる。
研究チームは今後，このハイブリッドAIモデルを他の婦人科疾患や画像診断全般に応用し，臨床現場での意思決定支援に活用する方針だ。「非侵襲的なリスク評価や不要な手術の削減にとどまらず，幅広い画像診断分野への展開も視野に入れ，さらなる精度検証と実装に取り組みたい」と意欲を示している。

【参照論文】
Early-fusion hybrid CNN-transformer models for multiclass ovarian tumor ultrasound classification