表皮成長因子受容体（Epidermal Growth Factor Receptor、EGFR）の変異状況から、患者が非小細胞肺癌（Non-small Cell Lung Cancer、NSCLC）であるかを検出することができる。自己教師ありのコントラスト学習に基づくEGFR遺伝子変異予測方法が提案され、大量の専門家による手動ラベル付けが不要で、ネットワークに入力された患者の病変領域画像に対して陰性・陽性を予測する。自己教師ありのBYOLネットワークを改良し、ネットワークの射影層における非線形多層パーセプトロン（Multilayer Perceptron、MLP）の層数を増やし、患者のCTおよびPETの2つのモダリティの画像データを融合してネットワークの入力とした。大量のラベル付き患者データセットを必要とせず、陰性・陽性の症例を予測する。非小細胞肺癌EGFR遺伝子変異データセット上で、従来のラジオミクス、教師ありVGG-16ネットワーク、教師ありResNet-50、教師ありInception v3、教師なし転移学習CAEと比較した。実験結果は、コントラスト学習により患者のCTおよびPET画像から学習した病変領域画像のインスタンス特徴が陰性・陽性の症例を識別でき、曲線下面積（Area Under the Curve、AUC）77％を達成したことを示している。これは従来のラジオミクス法の分類結果AUCより7％向上し、教師ありVGG-16ネットワークの分類結果AUCより5％向上した。また、多数の専門家による手動ラベル付きデータセットおよび多数の臨床データがなくても、教師ありResNet-50と比較してわずか9％低い性能であった。改良されたBYOLネットワークは、少量のラベル付き患者データセットで一部の伝統的な教師あり手法よりも高精度な検出結果を得ることができ、臨床意思決定支援の可能性を示している。

医用画像処理; 深層学習; コントラスト学習; PET/CT; 肺非小細胞肺癌遺伝子変異予測