大規模な神経画像データセットで事前学習された基盤モデルは、臨床画像研究に典型的な標本数の制約を克服する有望な手法であるが、多様な集団に対する汎化性能は依然として明らかでない。本研究では、公開されている4つの構造MRI基盤モデル、AnatCL、BrainIAC、3D-Neuro-SimCLR、SwinBrainについて、初の体系的ベンチマークを提示する。Parkinson's Progression Markers Initiative（PPMI）、Healthy Brain Network（HBN）、Nathan Kline Institute（NKI）の各データセットに含まれるT1強調MRIを用い、性別分類、脳年齢予測、体格指数予測についてこれらのモデルを評価し、FreeSurferから導出された皮質厚および皮質表面積の特徴量で学習したモデルと比較する。提出されたモデルは、標準化された凍結特徴プロービングの枠組みを用いて評価される。評価手法は、構造脳MRI基盤モデルの継続的ベンチマークであるBrainFMBenchで公開されており、プルリクエストを通じて新たなモデルを追加できる。一部の基盤モデルは特定のタスクおよびデータセットでFreeSurferを上回ったが、全体としては3D-Neuro-SimCLRとAnatCLがベースラインを上回り、3D-Neuro-SimCLRが最も一貫した性能を示した。ただし、HBNの性別分類は顕著な例外であった。残るモデルはベースラインを一貫して上回らず、これらのモデルでは、形態計測特徴量に対する学習済み表現の優位性がデータセットおよびタスクをまたいで一貫していないことが示された。さらに、モデル間の特徴相関分析により、基盤モデルの表現は従来の皮質計測値とそれぞれ異なる相関を示すことが明らかになった。これらの知見は、構造MRI基盤モデル、とりわけ3D-Neuro-SimCLRとAnatCLが、神経画像における予測モデルの性能を向上させる有望な手段であることを示している。
https://doi.org/10.64898/2026.05.15.725427