本研究では、医療画像セグメンテーションにおける基盤モデルの性能向上を目指して、「インテリジェントコミュニケーション混合専門家強化医療画像セグメンテーション基盤モデル（IC-MoE）」を提案しています。従来の微調整手法には、高次特徴の表現不足と事前学習した重みの構造的完全性の損失という課題があります。IC-MoEでは、基本的な専門家、意味的専門家、適応型専門家を構築し、ピクセル確率に基づく適応投票戦略を導入することで、専門家の選択と融合を行います。さらに、意味に基づく対比学習法を提案し、弱い監視の問題に対処しています。実験では、IC-MoEが他の最先端モデルを上回る性能を示し、医療画像セグメンテーションタスクにおいて高次特徴と事前学習の構造的完全性を有効に補完できることが確認されました。この結果は、多様な医療画像セグメンテーションシナリオにおいても優れた一般化能力を発揮します。