がん治療のための新しいAIツール

ハーバード大学医学部の科学者たちは、さまざまな種類のがんに対してさまざまな診断タスクを実行できる、ChatGPT のような多目的 AI モデルを設計しました。

9月4日にネイチャー誌に発表されたこの新しいAIシステムは、がん診断に対する現在の多くのAIアプローチを一歩先んじていると研究者らは述べた。

現在の AI システムは通常、がんの存在の検出や腫瘍の遺伝子プロファイルの予測など、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、少数のがんの種類でしか機能しない傾向があります。対照的に、新しいモデルは幅広いタスクを実行でき、19 種類のがんについてテストされており、ChatGPT などの大規模言語モデルのような柔軟性を備えています。

最近、病理画像に基づく医療診断のための他の基礎 AI モデルが登場していますが、これは患者の転帰を予測し、それを複数の国際的な患者グループにわたって検証した初めてのモデルであると考えられています。

「私たちの目標は、幅広いがん評価タスクを実行できる、機敏で多用途なChatGPTのようなAIプラットフォームを作成することでした」と、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で、本研究の主任著者であるクンシン・ユー氏は述べた。「私たちのモデルは、さまざまながんのがん検出、予後、治療反応に関連する複数のタスクで非常に有用であることが判明しました。」

このAIモデルは、腫瘍組織のデジタルスライドを読み取り、画像に見られる細胞の特徴に基づいてがん細胞を検出し、腫瘍の分子プロファイルを予測する。その精度は、現在のほとんどのAIシステムよりも優れている。このモデルは、複数のがん種にわたって患者の生存を予測し、手術、化学療法、放射線療法、免疫療法などの標準治療に対する患者の反応に関連する、腫瘍を取り囲む組織（腫瘍微小環境とも呼ばれる）の特徴を正確に特定することができる。最後に、このツールは、これまで患者の生存と関連があるとは知られていなかった特定の腫瘍特性を特定し、新たな洞察を生み出す能力があるようだと研究チームは述べた。

研究チームによると、この研究結果は、標準的ながん治療にあまり反応しない可能性のある患者の特定など、AIを活用したアプローチによって臨床医ががんを効率的かつ正確に評価する能力を高めることができるという証拠をさらに裏付けるものだという。

「さらに検証され、広く展開されれば、私たちのアプローチ、およびこれに類似したアプローチは、特定の分子変異を標的とした実験的治療の恩恵を受ける可能性のある癌患者を早期に特定できる可能性がある。これは世界中で一様に利用できるわけではない能力だ」とユー氏は述べた。

チームの最新の研究は、結腸がんと脳腫瘍の評価のための AI システムに関する Yu 氏の以前の研究に基づいています。これらの以前の研究では、特定のがんの種類と特定のタスク内でのアプローチの実現可能性が実証されました。

CHIEF（臨床組織病理学画像評価財団）と呼ばれるこの新しいモデルは、関心領域に分割された1500万枚のラベルなし画像でトレーニングされた。その後、肺、乳房、前立腺、大腸、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、膀胱を含む組織の全スライド画像6万枚でさらにトレーニングされた。画像の特定の部分と全体の両方を見るようにモデルをトレーニングすることで、ある領域の特定の変化を全体の状況に関連付けることができるようになった。研究者らによると、このアプローチにより、CHIEFは特定の領域に焦点を合わせるだけでなく、より広い状況を考慮して画像をより全体的に解釈できるようになったという。

トレーニングの後、チームは世界中の 24 の病院と患者コホートから収集された 32 の独立したデータセットの 19,400 枚を超える全スライド画像で CHIEF のパフォーマンスをテストしました。

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、治療反応に関連する遺伝子や DNA パターンの存在の特定といったタスクにおいて、他の最先端の AI 手法を最大 36 パーセント上回るパフォーマンスを発揮しました。CHIEF は、その汎用的なトレーニングにより、腫瘍細胞が生検であれ外科的切除であれ、どのように採取されたかに関係なく、同様に優れたパフォーマンスを発揮しました。また、がん細胞サンプルをデジタル化する技術に関係なく、同様に正確でした。研究者らによると、この適応性により、CHIEF はさまざまな臨床環境で使用可能になり、特定の技術で採取された組織を読み取る場合にのみ優れたパフォーマンスを発揮する傾向がある現在のモデルを超える重要な一歩となっています。

CHIEF は、11 種類のがんを含む 15 のデータセットで、がん検出において 94 パーセント近くの精度を達成し、現在の AI アプローチを大幅に上回る結果となりました。独立したコホートから収集された 5 つの生検データセットでは、CHIEF は食道、胃、結腸、前立腺など複数のがんの種類で 96 パーセントの精度を達成しました。研究者らが、結腸、肺、乳房、子宮内膜、子宮頸部の外科的に切除された腫瘍の、これまで見たことのないスライドで CHIEF をテストしたところ、モデルは 90 パーセント以上の精度を達成しました。

腫瘍の遺伝子構造は、腫瘍の将来の行動や最適な治療法を決定するための重要な手がかりとなる。この情報を得るために、腫瘍専門医は腫瘍サンプルの DNA 配列解析を依頼するが、サンプルを DNA 配列解析専門研究所に送るコストと時間の問題から、がん組織の詳細なゲノムプロファイリングは、世界中で日常的にも均一にも行われていない。十分なリソースのある地域でも、このプロセスには数週間かかる可能性がある。これは AI が埋めることができるギャップだと Yu 氏は言う。

研究者らは、特定のゲノム異常を示唆する画像上の細胞パターンを迅速に識別することは、ゲノム配列解析に代わる迅速で費用対効果の高い方法となる可能性があると述べた。

CHIEF は、顕微鏡スライドを見て腫瘍のゲノム変異を予測する現在の AI 手法よりも優れた結果を示しました。この新しい AI 手法は、がんの増殖と抑制に関連するいくつかの重要な遺伝子に関連する特徴を正常に特定し、さまざまな標準治療に対する腫瘍の反応に関連する主要な遺伝子変異を予測しました。CHIEF は、結腸腫瘍が免疫チェックポイント阻害と呼ばれる免疫療法に反応する程度に関連する特定の DNA パターンも検出しました。全組織画像を見ると、CHIEF は一般的に変異する 54 のがん遺伝子の変異を全体的な精度で 70% 以上特定し、ゲノムがん予測の現在の最先端の AI 手法よりも優れた結果を示しました。その精度は、特定のがんタイプの特定の遺伝子ではさらに高くなりました。

研究チームはまた、15の解剖学的部位にわたる18の遺伝子にわたって、FDA承認の標的療法への反応に関連する変異を予測するCHIEFの能力をテストした。CHIEFは、びまん性大細胞型B細胞リンパ腫と呼ばれる血液がんによく見られるEZH2という遺伝子の変異の検出において96パーセントの精度を達成するなど、複数のがん種で高い精度を達成した。甲状腺がんのBRAF遺伝子変異では89パーセント、頭頸部がんのNTRK1遺伝子変異では91パーセントを達成した。

CHIEF は、最初の診断時に得られた腫瘍の組織病理画像に基づいて、患者の生存を正確に予測しました。研究対象となったすべてのがんの種類とすべての患者グループにおいて、CHIEF は長期生存患者と短期生存患者を区別しました。CHIEF は他のモデルより 8 パーセント優れていました。また、より進行したがんの患者では、CHIEF は他の AI モデルより 10 パーセント優れていました。全体として、CHIEF の死亡リスクの高低を予測する能力は、17 の異なる機関の患者サンプルでテストされ、確認されました。

モデルは、腫瘍の悪性度と患者の生存に関連する画像上の特徴的なパターンを特定しました。これらの関心領域を視覚化するために、CHIEF は画像上にヒートマップを生成しました。人間の病理学者が AI が導き出したこれらのホットスポットを分析したところ、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が見つかりました。そのような特徴の 1 つは、長期生存者の腫瘍領域に、短期生存者と比較してより多くの免疫細胞が存在することです。この発見は理にかなっていると Yu 氏は指摘しました。なぜなら、免疫細胞がより多く存在するということは、免疫系が腫瘍を攻撃するために活性化されたことを示している可能性があるからです。

CHIEF は、生存期間が短い患者の腫瘍を観察する際に、さまざまな細胞成分間の異常な大きさの比率、細胞核のより非定型的な特徴、細胞間の弱い結合、腫瘍の周囲の結合組織の存在が少ないことなどによって特徴付けられる関心領域を特定しました。これらの腫瘍では、周囲に死につつある細胞も多く存在していました。たとえば、乳房腫瘍では、CHIEF は組織内の壊死、つまり細胞死の存在を関心領域として特定しました。逆に、生存率の高い乳がんでは、健康な組織に似た細胞構造が保存されている可能性が高かった。生存に関連する視覚的特徴と関心領域は、がんの種類によって異なると研究チームは指摘しました。

研究者らは、以下の方法で CHIEF のパフォーマンスを改良し、その機能を強化する計画だと述べた。

• 希少疾患や非癌性疾患の組織画像に関する追加トレーニングの実施
• 細胞が完全に癌化する前の前癌組織のサンプルを含む
• モデルをより多くの分子データにさらすことで、さまざまなレベルの攻撃性を持つ癌を識別する能力を高める
• 標準的な治療法に加えて、新しい癌治療法の利点と副作用も予測できるようにモデルをトレーニングする

Wang X、Zhao J、Marostica E、Yuan W、Jin J、Zhang J、Li R、Tang H、Wang K、Li Y、Wang F、Peng Y、Zhu J、Zhang J、Jackson CR、Zhang J、Dillon D、Lin NU、Sholl L、Denize T、Meredith D、Ligon KL、Signoretti S、Ogino S、Golden JA、Nasrallah MP、Han X、Yang S、Yu KH。
がんの診断と予後予測のための病理学基礎モデル。
ネイチャー。2024年9月4日。doi: 10.1038/s41586-024-07894-z