約100万枚の検診マンモグラフィ画像で学習した人工知能ツールは、放射線科医の分析と組み合わせると約90％の精度で乳がんを特定できることが、新たな研究で明らかになった。
この研究では、機械学習コンピュータープログラムの一種である人工知能（AI）が、14人の放射線科医のグループが720枚のマンモグラム画像を確認して下した診断に、どのような付加価値をもたらすかを検証した。
「私たちの研究では、AIが放射線科医には見つけられなかったデータ中のがん関連パターンを特定し、その逆も確認されました」と、研究論文の筆頭著者であるニューヨーク大学グロスマン医学部放射線科の助教、クシシュトフ・ゲラスは述べる。
「AIは人間の目には見えない組織の画素レベルの変化を検出し、一方、人間はAIにはできない方法で推論しました」と、データサイエンスセンターの兼任教員でもあるゲラスは付け加える。「私たちの研究の最終的な目標は、人間の放射線科医を置き換えるのではなく、その能力を補強することです。」
2014年、米国では、症状のない女性が乳がん検診を受け、より詳しい経過観察が必要かどうかを判断するため、3,900万件を超えるマンモグラフィ検査を受けた。検査結果でマンモグラフィに異常が認められた女性は、生検を受けるよう紹介される。生検とは、乳房組織の小さなサンプルを採取し、検査室で調べる処置である。
新たな研究で、研究チームは、プログラムに具体的な方法を指示しなくても、タスクの遂行能力を「学習」して高められる統計手法を設計した。こうしたプログラムは、与えられたデータ例に基づいて意思決定できる数学的モデルを構築し、より多くのデータを確認するにつれて「賢く」なる。
人間の脳に着想を得た現代のAI手法は、複雑な回路を使って情報を層ごとに処理する。各段階で情報が次の段階へ送られ、その過程で個々の情報に割り当てる重要度が調整される。
今回の研究の著者らは、過去に実施された生検の結果と対応づけた多数の画像を使ってAIツールを訓練した。目標は、このツールによって放射線科医が今後必要となる生検の数を減らせるよう支援することだった。ゲラスによると、これを実現するには、検診の評価の正確さに対する医師の信頼を高める必要がある（例えば、偽陽性と偽陰性の結果を減らす）。
今回の研究では、研究チームは7年間にわたり通常の臨床診療の一環として収集された画像を分析し、データを精査して画像と生検結果を結びつけた。著者らによると、この取り組みによってAIツールの訓練用に極めて大規模なデータセットが作成された。デジタル検診マンモグラフィ検査229,426件と画像1,001,093枚で構成される。研究者らがこれまでの研究で使ってきたデータベースの大半は、画像が10,000枚以下に限られていた。
そこで研究者らは、がんの診断がすでに確定しているデータベース内の画像を分析するようニューラルネットワークをプログラムし、訓練した。つまり、ツールの精度を検証する際、研究者らは各マンモグラフィ画像について「正解」（がんか、がんではないか）を知っている一方、ツールは推測しなければならなかった。研究者らは、正しい予測の頻度によって精度を測定した。
さらに研究者らは、研究用のAIモデルがまず高解像度画像を非常に小さな領域に分けて個別に検討し、疾患の可能性を統計的に示すヒートマップを作成するよう設計した。次にプログラムは、がんに関連する構造的特徴を探すため乳房全体を検討し、画素レベルのヒートマップで示された領域により注意を払う。
研究者らがAIに探させる画像の特徴を指定するのではなく、このツールは予測精度を高める画像の特徴を自ら見つけ出している。今後、チームはさらに多くのデータでAIプログラムを訓練して精度を高める計画で、まだがん化していないものの、将来がんになる可能性のある乳房組織の変化も特定できるようになるかもしれない。
「診断放射線科におけるAI支援への移行は、自動運転車の導入のように、信頼を築きながらゆっくり慎重に進め、安全性を重視してシステムを改善していくべきです」と、データサイエンスセンターの博士課程候補者で論文の筆頭著者であるナン・ウーは述べる。
この研究はIEEE Transactions on Medical Imagingに掲載された。
その他の共著者は、ニューヨーク大学、SUNYダウンステート医科大学、ケンブリッジ大学、ヤギェウォ大学に所属する。
この研究は一部、米国国立衛生研究所の助成を受けた。研究で使用されたモデルは、イノベーションを促進するため、研究分野に公開されている。
