気管支腫瘍固定された深層特徴ランダムフォレストを用いた肺がんセグメンテーションにおける分布外検出

arXiv:2512.08216v3 Announce Type: replace-cross **摘要:** 3D computed tomography (CT) スキャンからの肺腫瘍の正確なセグメンテーションは、自動治療計画および反応評価において不可欠である。自己教師あり事前学習を多数のデータセットで行ったにもかかわらず、最先端のトランスフォーマーバックボーンは、分布外 (OOD) 入力を容易に受け入れ、臨床環境での実用においてリスクを伴う自信の正しいセグメンテーションを誤って生み出すことがある。したがって、本稿では、限られたアウトリーバー曝露で学習された深層特徴を利用し、わずか 40 枚のラベル付きスキャン（20 枚の分布内と 20 枚の分布外）で十分な高性能なスキャンレベルの OOD 検出を実現する、軽量ポストホックランダムフォレストベースの枠組み「RF-Deep」を提案する。RF-Deep は、事前学習・微調整されたセグメンテーションバックボーンから階層的特徴を再利用し、予測された腫瘍領域にアンカリングした多数の regions-of-interest から特徴を集積することで、OOD の可能性をキャッチする。 私たちは、RF-Deep を 2,232 枚の CT ボリューム（近接 OOD: 肺塞栓症、COVID-19 陰性、遠隔 OOD: 腎臓がん、健康な膵臓）にわたるデータセットで評価した。RF-Deep は、困難な近接 OOD データセットにおいて AUROC >〜93 を達成し、次点の手法を 4--7 分の点で上回る検出力を示した。また、遠隔 OOD データセットでは接近 100% の検出率（AUROC >〜99）を示した。このアプローチは、アンサンブル構成（COVID-19 陽性、乳がん）の下、2 つの盲検検証データセットにも適用可能である。RF-Deep は、異なる深度および事前学習戦略のバックボーンで一貫した性能を維持し、腫瘍セグメンテーションパイプラインの臨床実装における安全性フィルタとしてのポストホック検出器の適用性を示している。

arXiv:2512.08216v3 Announce Type: replace-cross Abstract: Accurate segmentation of lung tumors from 3D computed tomography (CT) scans is essential for automated treatment planning and response assessment. Despite self-supervised pretraining on numerous datasets, state-of-the-art transformer backbones remain susceptible to out-of-distribution (OOD) inputs, often producing confidently incorrect segmentations with potential for risk in clinical deployment. Hence, we introduce RF-Deep, a lightweight post-hoc random forests-based framework that leverages deep features trained with limited outlier exposure, requiring as few as 40 labeled scans (20 in-distribution and 20 OOD), to improve scan-level OOD detection. RF-Deep repurposes the hierarchical features from the pretrained-then-finetuned segmentation backbones, aggregating features from multiple regions-of-interest anchored to predicted tumor regions to capture OOD likelihood. We evaluated RF-Deep on 2,232 CT volumes spanning near-OOD (pulmonary embolism, COVID-19 negative) and far-OOD (kidney cancer, healthy pancreas) datasets. RF-Deep achieved AUROC >~93 on the challenging near-OOD datasets, where it outperformed the next best method by 4--7 percentage points, and produced near-perfect detection (AUROC >~99) on far-OOD datasets. The approach also showed transferability to two blinded validation datasets under the ensemble configuration (COVID-19 positive and breast cancer; AUROC >~94). RF-Deep maintained consistent performance across backbones of different depths and pretraining strategies, demonstrating applicability of post-hoc detectors as a safety filter for clinical deployment of tumor segmentation pipelines.