医療画像解析の分野では、複数のMRI撮像シーケンスを組み合わせることで診断精度が向上する一方で、すべてのシーケンスを使用するとモデルの計算負荷が大幅に増加する課題があります。本研究は、この問題に対してPartial Information Decomposition（PID）フレームワークを活用し、限られたリソース下で最適なMRI入力セットを事前選択する手法を提案しています。 研究チームはT1n、T1c、T2w、T2-FLAIRの4つのMRIシーケンスに対してPIDフレームワークを適用し、腫瘍負荷に関する冗長情報、独自情報、相乗情報に基づいて入力ペアをランク付けしました。その結果、T1c+T2-FLAIRの組み合わせが最高ランクとして選出されました。その後、11個の異なる入力構成を持つ軽量な3D U-Netアーキテクチャで学習を実施しました。 独立したテストセットでの評価において、T1c+T2-FLAIRは2入力構成の中で最強の性能を示し、平均Diceスコアが0.676に達しました。これは全4シーケンスを使用した場合の0.687にほぼ匹敵する結果です。さらに、全入力モデルに対するShapley値分析は、T2-FLAIRとT1cが最も影響力のある入力であり、それらの組み合わせが最強の相互作用を持つことを独立して確認しました。 本研究の成果は、PID基盤の事前選択が、計算コストの高い3Dモデル開発前に、コンパクトで情報量の豊富なMRI入力セットを特定するための実用的価値を持つことを実証しています。このアプローチにより、医療機関や研究機関のリソース制約下でも高精度な脳腫瘍セグメンテーションシステムの構築が可能になります。