医療画像処理の分野で、CT（コンピュータ断層撮影）の画像再構成精度を大幅に向上させる新しい手法が提案されました。ELECTRIC（Evidential Learning-Enhanced CT Reconstruction via Iterative Correction）と名付けられたこの手法は、物理モデルとベイズ統計を融合させたアプローチです。 ELECTRICの核となるのは、証拠的ニューラルネットワークという特殊な機械学習モデルです。このモデルは2つの重要な役割を担当します。まず、CT画像の提案値を生成し、同時にその予測の不確実性（認識論的不確実性）を定量化します。この不確実性の推定値は「適応精度フィールド」に変換され、ポアソン加重のMAP（最大事後確率）更新に組み込まれます。結果として、画像、証拠、精度という3つの要素が相互作用する閉ループシステムが形成され、事前情報への信頼度が学習可能な状態変数として機能するのです。 研究チームはAAPM Mayo Clinic Low-Dose CTデータセットを用いて2つのシミュレーション研究を実施しました。第1の研究では透明性のあるサロゲート推定器を使用してメカニズムを検証し、第2の研究ではNormal-Inverse-Gammaタイプの証拠的ネットワークによる完全な閉ループシステムの実現可能性を確認しました。 実験結果は極めて有望です。未知の患者データに対して、学習された事前情報の平均値はフィルタ逆投影法と比べて再構成誤差を約70%削減しました。また、学習された認識論的不確実性は実際の誤差を適切に予測し、選別的な信頼度調整を可能にします。物理ガイド付き更新は測定値の一貫性を維持しながら、適応精度を備えた再構成は固定された事前情報を上回る性能を発揮し、事前情報の強度が不適切に指定された場合にもロバスト性を保つことが確認されました。今後の課題としては、不確実性の正式なキャリブレーションと共同学習が挙げられています。