データホエール

データホエールの共有

最新情報: AI + ヘルスケア、出典: Synced

最近、ハーバード大学医学部などの科学者らが、CHIEF（Clinical Histopathology Imaging Evaluation Foundation）と呼ばれる多機能AIがん診断モデルを開発しました。

9月4日付けの「ネイチャー」誌に掲載された。

論文リンク: https://www.nature.com/articl...

医療診断のための病理画像に基づく他の AI モデルが最近登場していますが、CHIEF は患者の予後を予測でき、複数の国際的な患者集団で検証された最初のモデルであることは特筆に値します。

動作原理

現在、AI ベースのがん診断システムのほとんどは、がんの存在の検出や腫瘍の遺伝的特徴の分析など、特定のタスクを実行するようにトレーニングされており、通常は少数の種類のがんにのみ適用できます。

対照的に、新しい CHIEF モデルは ChatGPT と同様の柔軟性を備えており、複数のタスクを実行できるだけでなく、さまざまながんの種類に対して特別な注意が必要な領域を特定することもできます。

腫瘍組織のデジタルスライスを読み取ることで、がん細胞を検出し、画像内で観察される細胞の特徴に基づいて腫瘍の遺伝的特性を分析することができます。

さらに、様々ながん種における患者の生存率を予測し、腫瘍周囲の組織、すなわち腫瘍微小環境の特性を正確に特定することができます。これらの特性は、手術、化学療法、放射線療法、免疫療法といった標準的な治療に対する患者の反応と関連しています。

さらに、CHIEF は新たな洞察を生み出す可能性があり、これまで患者の生存とは関係ないと考えられていた特定の腫瘍の特徴を発見しました。

研究チームは、これらの研究結果は、標準的ながん治療に反応しない可能性のある患者を特定することを含め、AIが臨床医ががんを効率的かつ正確に評価するのに役立つことをさらに実証していると指摘した。

論文の主著者は、ハーバード大学医学大学院ブラバトニック研究所の生物医学情報学助教授、クンシン・ユー氏。

モデルのトレーニングとパフォーマンス

まず、CHIEF は 1,500 万枚のラベルなし画像でトレーニングされました。これらの画像は、モデルが特別な注意を払う必要がある可能性のある複数の部分に分割されていました。

その後、CHIEF は、肺、乳房、前立腺、結腸、胃、食道、腎臓、脳、肝臓、甲状腺、膵臓、子宮頸部、子宮、卵巣、精巣、皮膚、軟部組織、副腎、膀胱などの組織の全スライス画像を含む 60,000 枚の全スライス画像でトレーニングされました。

この学習方法により、モデルは画像の局所的な領域だけでなく、画像全体を考慮し、特定の領域における具体的な変化を画像全体に関連付けることができます。そのため、CHIEFはがん解析を行う際に、特定の領域のみに焦点を当てるのではなく、より広範な文脈情報を考慮し、より包括的に画像を解釈することができます。

トレーニング後、研究チームは19,400枚以上のスライス画像でCHIEFの性能をテストしました。これらの画像は、世界中の24の病院と患者グループから収集された32の独立したデータセットから取得されました。

全体的に、CHIEF は、がん細胞の検出、腫瘍の起源の特定、患者の転帰の予測、患者の治療反応に関連する遺伝子と DNA パターンの特定といったタスクにおいて、他の最先端の AI 手法よりも 36% 優れています。

CHIEFは、腫瘍細胞が生検で採取されたか外科的切除で採取されたかに関わらず、同等の性能を発揮します。がん細胞サンプルのデジタル化に用いられる技術に関わらず、その精度は高いままです。

研究者らによると、この適応性により、CHIEF はさまざまな臨床現場で使用可能になるが、現在の AI がん診断モデルのほとんどは、通常、特定の技術で採取された組織でのみ良好なパフォーマンスを発揮するという。

CHIEFの4つのアプリケーション

がん検出

CHIEF は、11 種類のがんを含む 15 のデータセットを対象としたテストで、がん検出において約 94% の精度を達成しました。

5 つの生検データセットを対象とした別のテストでは、CHIEF は、食道、胃、結腸、前立腺など複数の種類のがんの検出を含め、96% の精度を達成しました。

研究者らがデータセット外で外科的に切除された腫瘍切片を用いて CHIEF をテストしたところ、モデルは 90% を超える精度を達成しました。

モデル注目スコアの視覚化により、CHIEF が黒色腫、肺がん、腎臓がんのがん領域を正確に識別したことがわかります。

腫瘍の遺伝的特徴を分析する

腫瘍の遺伝子構造には、腫瘍の将来の発達と最適な治療に関する重要な手がかりが含まれています。この情報を得るために、腫瘍専門医は通常、腫瘍サンプルのDNAシークエンシングを実施します。

しかし、サンプルを専門のDNAシーケンシング研究所に送るには費用と時間がかかるため、日常的かつ詳細なゲノム解析は世界的に広く行われていません。資源が豊富な地域でさえ、このプロセスには数週間かかることがあります。

しかし、これは AI が埋めることができるギャップです。

研究者らは、画像内の特定のゲノム異常の細胞パターンを識別することで、ゲノム配列解析に代わる迅速かつ費用対効果の高い方法を提供できる可能性があると述べている。

CHIEFは、腫瘍遺伝子変異の予測において既存のAI手法を凌駕する性能を発揮します。この新しいAIアプローチは、がんの増殖と抑制に関連するいくつかの重要な遺伝子シグネチャーを特定し、様々な標準的ながん治療中に腫瘍における主要な遺伝子変異を予測することに成功しました。

CHIEF は、免疫チェックポイント阻害と呼ばれる免疫療法に対する大腸がんの反応と相関する特定の DNA パターンも検出しました。

CHIEF は、全組織画像を表示する際、54 個の一般的な癌遺伝子の変異を全体的な精度 70% 以上で特定し、ゲノム癌予測における現在の最先端の AI 手法を上回りました。

研究チームはCHIEFモデルを用いて、FDA承認の標的治療の有効性と関連する特定の遺伝子変異を予測しました。本研究では、人体の15の異なる解剖学的部位に分布する18個の遺伝子を対象としました。

CHIEFは複数のがん種において高い精度を達成しました。血液がんであるびまん性大細胞型B細胞リンパ腫におけるEZH2遺伝子変異の検出精度は96%、甲状腺がんにおけるBRAF遺伝子変異の検出精度は89%、頭頸部がんにおけるNTRK1遺伝子変異の検出精度は91%を達成しました。

CHIEF は、がん種の組織病理学的画像における遺伝子変異の状態を予測する上で顕著な成果を達成しました。

患者の生存率の予測

CHIEF は、初期診断時に得られた腫瘍組織の病理画像に基づいて、患者の生存を正確に予測することができます。

全体として、CHIEF の高リスクおよび低リスクの死亡率を予測する能力は、17 の異なる機関の患者サンプルでテストされ、検証されました。

研究対象となったすべてのがん種および患者集団において、CHIEFは長期生存者と短期生存者を区別することができました。CHIEFは他のモデルよりも8%優れた性能を示しました。

進行がん患者においては、CHIEF は他の AI モデルよりも 10% 優れたパフォーマンスを示しました。

がんの種類に応じて特別な注意が必要な領域を特定する

このモデルは、腫瘍の浸潤性と患者の生存に関連する画像上の明確なパターンを識別します。

CHIEFは特定の領域を可視化するために、画像上にヒートマップを生成しました。AIが生成したこれらのホットスポットを病理医が分析したところ、がん細胞と周囲の組織との相互作用を反映する興味深いシグナルを発見しました。

モデル注目度の視覚化により、肺がん患者の生存を予測する上で重要な領域が明らかになります。

研究チームは、生存に関連する視覚的特徴や焦点領域はがんの種類によって異なると指摘した。

参考文献:

https://scitechdaily.com/96-a...

https://hms.harvard.edu/news/...

いいね！ （3件のいいね！）↓