胎児超音波検査において脳梁（corpus callosum）の正確な位置特定は、神経発達異常の早期発見に不可欠です。しかし超音波画像の低いコントラスト、スペックルノイズ、および脳梁の解剖学的変動性により、この課題は極めて困難なものとされてきました。この問題に対処するため、研究チームは連合学習（federated learning）に基づいた新しいフレームワーク「FedCC」を提案しました。このフレームワークは、データを共有することなく複数の医療センターにおいて、リソースに制約のある現実的な臨床環境での運用を想定して設計されています。 FedCCの技術的特徴は、凍結されたDINOv2バックボーンと軽量なYOLOベースの検出ヘッドを統合した構成にあります。パラメータ効率的な適応を実現するため、Low-Rank Adaptation（LoRA）モジュールが組み込まれており、最適化・交換されるパラメータを最小限に抑えることができます。この戦略により、計算量と通信オーバーヘッドが大幅に削減され、低リソース環境での実装が可能になります。 実験は3つの臨床施設から異なる超音波機器を用いて58人の妊婦から取得した10,970フレームのマルチセンターデータセットで実施されました。その結果、DINOv2とLoRAをFedAvg戦略と組み合わせた提案手法は、平均mAP@50が0.857、F1スコアが0.803を達成し、従来の完全ファインチューニングおよびエンコーダ凍結ベースラインを上回りました。特筆すべきは、訓練可能パラメータ数が完全ファインチューニングの24.4M個と比べて2.9M個に削減され、通信コストが約8.5倍削減されたことです。これらの成果は、胎児神経超音波検査のための、スケーラブルかつプライバシーを保護し、臨床展開可能なAIシステムへの有望な一歩を示しています。