PSMA PET/CT における病変の自動セグメンテーションは、病期分類、治療計画、治療反応評価を支持するものとしてますます中心的になっているが、利用可能な核医学の専門家知識の供給を上回るスケールで機能する必要がある。一方で、既存の自動化されたPSMA-PET/CT全身病変セグメンテーションモデルは画像のみで訓練されており、前立腺転移が実際にどこに生じやすいかという身体内の位置に関する知識を持たない。放射線科医は転移の広がりに関する臨床領域知識を用いるが、それが機械学習モデルに欠けていると、解剖学的にあり得ない位置での偽陽性が生じ、高リスク部位（例えば肝臓）の病変が見落とされる。本研究では、転移の拡がりに関する人口レベルの空間的知見を深層学習セグメンテーション予測の補強に利用できるか、また追加学習なしでその事前分布をネットワーク出力とどのように融合すべきかを検討する。375件の専門家が注釈した全身PSMA PET/CTスキャンからデータ駆動型の転移アトラスを構築し、ベイズ枠組みにより、nnU-Netベースの病変セグメンテーションモデルから得られる予測確率を尤度、データ駆動型アトラスを事前分布として、その融合を調べる。転移は全身ボクセルのごく一部しか占めないため、アトラスのピーク確率は低く、標準的なパワー尺度付きあるいは素朴ベイズのプーリング手法は、この欠点に対処するための道具を持たない。その結果、これらの標準的融合戦略は失敗し、素朴ベイズの場合には性能が著しく低下する。そこで本研究では、較正された背景参照型の対数オッズ融合を導出する。これは、複数のアトラスを古典的にラベル融合する方法とは異なり、登録された複数アトラスを組み合わせるのではなく、単一の人口アトラス事前分布を訓練済みネットワークのソフトマックスと融合するものである。さらに、この方法は設計によりアトラス支持の外では中立であり、重み付けなしではベースラインネットワークに正確に一致し、再訓練を不要とする。このアトラス融合は、非重複の内部テストセットでベースラインnnU-Netに対する平均Diceを大きく改善し（+0.011、Holm調整後 p=0.021）、独立した外部コホートでも改善を示した（+0.0129、Holm調整後 p=3.8×10^{-16}）。病変感度は内部で 0.849 から 0.861 へ向上し、関心領域を解剖学的に層別したあらゆる領域でベースラインよりDiceが改善した。これには、本研究の動機となった希少で高リスクな部位を含む。一方、素朴ベイズのプーリングは性能を著しく劣化させ、パワー尺度付きプーリングは一貫してそれを下回った。これらの結果は、事前分布が実際に信号を持つ領域に融合則を較正できる場合に、人口レベルの空間的事前分布が全身腫瘍学的セグメンテーションにおける深層学習予測を有意に補強し得ることを示唆する。
https://doi.org/10.64898/2026.08.26.26361439