眼科画像診断において、新しい臨床機器の導入時には「ドメインシフト」と呼ばれる課題が発生します。異なるデバイスで撮影された画像に対して、マイボーム腺の正確なセグメンテーション（領域抽出）に必要となる密度の高いマスク画像の作成には、膨大な時間とコストがかかるのが実情です。一方、眼瞼の輪郭線やPultグレード、形態計測比といった臨床的シグナルは診療の過程で日常的に記録されており、相対的に安価に入手可能です。 こうした背景から、新しい研究グループがTopoPult-SSLという二段階フレームワークを開発しました。第1段階では、ターゲット画像のマイボーム腺マスクを訓練ロスに含めることなく、眼瞼マスクと臨床メタデータのみを用いた4つの弱い先験アンカーによって、ソースで訓練されたモデルを適応させます。第2段階では、ターゲット画像のマイボーム腺マスクが利用可能になった時点で、第1段階の複数の教師モデルから得られた補完的な知識を、自己蒸留によって単一の小型学生モデルに統合します。 公開ベンチマークであるMGD-1kからCAMGへの変換タスク（異なるデバイス、画像数1,000から100）で評価した結果、蒸留されたモデルはDiceスコア0.716±0.006（最高0.726）を達成し、従来手法のUA-MT（0.710）およびアンサンブル教師モデル（0.720）を上回りました。注目すべきは、マイボーム腺マスク不要な第1段階の変種が、精密度0.694を達成した一方で、既存の汎用セグメンテーションツール（SAM/MedSAM）は0.30～0.34にとどまり、統計的に有意な差（p<0.001）が認められたことです。このアプローチにより、密度の高い腺輪郭の手動作成なしにモデルを展開することが可能となり、臨床現場への導入障壁が大幅に低下する可能性を示しています。