医療画像の2Dセグメンテーションで、同じ事前学習済みチェックポイントを共有するエンコーダ対は、他の対よりも平均Dice相関が高いことが判明した。検証では、11種類の公開済みエンコーダを用い、フリーズされた特徴量に対して独立して学習した1×1リードアウトを実行し、4つのランダムシードで評価した。

平均Dice相関において、同一チェックポイントを共有する対は他対に比べて0.30程度高く、95％信頼区間はゼロを外して統計的に有意である。これは、既存のエンコーダファミリー内の別チェックポイントが、ファミリー間よりも依存度が高いことを示唆している。

エンコーダの微調整やリードアウトの拡張は相関ギャップを狭めるものの、33パーセンタイルDice閾値で計算した有効プールサイズを一貫して増やす効果は見られなかった。したがって、単に微調整を行っても失敗パターンの多様性が保証されるわけではない。

今回の解析は、11個の公開チェックポイントを対象とした制御サンプルであり、全エンコーダを網羅しているわけではない。加えて、評価は2Dスライスベースで実施され、BraTSデータセットでは前景ラベルを統合しているため、3Dセグメンテーションへ一般化できるかは不明である。