CARDEA、冠動脈造影AIの推論を監査可能に

侵襲的冠動脈造影は、冠動脈疾患を評価するうえで重要な検査です。一方で、画像の読み取りは観察者によってばらつくことがあります。既存のAIは分類結果を提示して判定をそろえる助けになりますが、どの血管領域を見て結論に至ったのかを示さないケースが多く、臨床現場での検証や信頼の妨げになっていました。

CARDEAは、このブラックボックス性を抑えることを目的とした統合型の大規模視覚言語モデルです。最終回答の前に、モデルが利用した複数の画像領域を推論過程に組み込むよう設計されています。この仕組みがChain-of-Box（CoB）です。テキストによる推論だけでなく、バウンディングボックスによって視覚的な根拠を示すため、医療者はモデルが注目した場所を確認しやすくなります。ただし、領域が示されたからといって、その説明が自動的に正しいとは限りません。

主なポイント

• 3段階の訓練: まず冠動脈造影の視覚特徴を整合させ、次に自蒸留でCoB付き推論データを作ってコールドスタートを行い、最後に検証可能な報酬を用いる強化学習を実施しました。最終段階では、判定の正しさとボックスを使う行動の双方を評価します。
• 公開データを使用: 訓練には公開データセットとクローズドエンドの課題だけを使いました。レポート生成は訓練対象から外され、未知のオープンエンド課題への転移として検証されています。
• 複数の評価軸: 冠動脈の優位性分類、複雑度評価に加え、外部コホートで血管重症度のmacro-F1を使ったゼロショットレポート生成を評価しました。
• タスクによって強みが異なる: 分布内の優位性分類では専用分類器に及びませんでしたが、ドメインシフト下では差が縮まり、正解率は0.91、95%信頼区間は0.86から0.95でした。複雑度評価の正解率は0.90、信頼区間は0.82から0.97で、2名の介入心臓専門医と同程度でした。レポート生成ではRLVR後に最も大きな改善が見られ、血管重症度macro-F1は0.686となり、調整前の基盤モデルの0.513を上回りました。

この研究の意義は、説明文を後付けするのではなく、視覚的な根拠をモデルの学習行動に組み込もうとした点にあります。結論と選択された血管領域が対応すれば、見落としや根拠のない判断を医療者が確認しやすくなります。また、流暢な説明だけでは不十分で、ボックスが適切な画像内容を指しているかも問われます。

ただし、今回の結果だけで臨床導入の準備が整ったとは言えません。CARDEAはすべての課題で専用モデルを上回ったわけではなく、レポート指標の改善も診断上の安全性を保証しません。ボックスの位置精度、推論の安定性、装置や撮影条件の違い、患者集団の広がりについて、さらなる外部検証が必要です。

モデル重みと推論コードが公開されたことで、再現実験や独立監査への道は開かれました。CARDEAは、根拠領域に接地した医療視覚言語モデルに向けた一歩ですが、監査しやすい推論が実際の臨床でも安定して正しいかという課題は、今後の検証に残されています。

出典：Hugging Face Daily Papers