1713454354
2024-04-18 15:00:01
この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
査読済みの出版物
信頼できる情報源
校正する
わかりました！ クレジット: Pixabay/CC0 パブリック ドメイン
×閉じる
クレジット: Pixabay/CC0 パブリック ドメイン
高度な人工知能 (AI) システムは、病気の検出、診断、治療を変革することで、病理学の分野に革命をもたらす可能性を示しています。 ただし、AI モデルの開発に使用される病理学データセットでは特定の患者集団が過小評価されているため、パフォーマンスの全体的な質が制限され、健康格差が拡大する可能性があります。
マサチューセッツ州ブリガム将軍の研究者が主導した新しい研究は、標準的な計算能力が 病理 システムのパフォーマンスは、組織学画像に関連付けられた人口統計プロファイルに応じて異なりますが、より大きな「基礎モデル」は、これらの差異を部分的に軽減するのに役立ちます。
Nature Medicine に 4 月 19 日に掲載された調査結果は、すべての機能を確実に行うためには、より多様なトレーニング データセットと AI システムの人口統計による層別評価の必要性を強調しています。 患者団体 その使用から公平に利益を得ることができます。
「独立した検査データを基に、多様な患者層にわたって層別化された病理学における AI アルゴリズムのパフォーマンスの包括的な分析はまだ行われていません」と、責任著者であり、米国病理学部門計算病理学部門の Faisal Mahmood 博士は述べています。ブリガムミサ将軍。
「この研究は、病理学における AI 研究に広く使用されている公的に入手可能なデータセットと、マスジェネラル ブリガム内部コホートの両方に基づいており、人種、保険の種類、年齢層が異なる患者のパフォーマンスに顕著な違いがあることが明らかになりました。私たちは、高度な深層学習モデルが「基礎モデル」として知られる自己監視型の方法でトレーニングすることで、パフォーマンスのこうした差異を軽減し、精度を向上させることができます。」
主に白人患者からのデータが含まれる、広く使用されているがんゲノムアトラスとEBRAINS脳腫瘍アトラスのデータに基づいて、研究者らは、乳がんのサブタイプ分類、肺がんのサブタイプ分類、および神経膠腫IDH1変異予測（治療における重要な要素）のための計算病理モデルを開発した。応答）。
研究者らがマサチューセッツ・ジェネラル・ブリガムとCancer Genome Atlasで4,300人を超えるがん患者の組織学スライドを使用してこれらのモデルの精度をテストし、結果を人種ごとに階層化したところ、モデルは黒人患者よりも白人患者でより正確に機能することが判明した。 研究チームが乳がんと肺がんのサブタイプを特定し、神経膠腫のIDH1変異を予測するためにテストしたモデルでは、正しい分類を行う際にそれぞれ3.7、10.9、16％の不一致が見つかった。
研究者らは、モデルのトレーニング中に過小評価されたグループの例を強調するなど、バイアスを軽減するための標準的な機械学習手法を使用して、観察された差異を削減しようとしました。 ただし、これらの方法ではバイアスがわずかに減少するだけでした。
代わりに、を使用することで格差が縮小しました。 自己教師あり基礎モデル、これは、幅広い臨床タスクを実行するために大規模なデータセットでトレーニングされた高度な AI の新しい形式です。 これらのモデルは、モデルの偏りの可能性を減らす可能性のある組織像のより豊富な表現をエンコードします。
改善が観察されたにもかかわらず、パフォーマンスのギャップは依然として明らかであり、これは病理学における基礎モデルのさらなる改良の必要性を反映しています。 さらに、この研究は一部の人口統計グループの少数の患者を対象としたものでした。
研究者らは、ゲノミクスや電子医療記録などの複数の形式のデータを組み込んだマルチモダリティ基盤モデルがこれらのモデルをどのように改善できるかについて、継続的な研究を進めています。
医療における AI ツールの出現は、医療の提供を前向きに再構築する可能性を秘めています。 AI の革新的な可能性と品質と安全性への取り組みのバランスを取ることが不可欠です。 ブリガム陸軍大将は責任ある AI の先導者であり、医療への AI の組み込みに関する情報を得るために、新しく出現したテクノロジーに関する厳密な研究を行っています。
「全体として、この研究の結果は、医療においてより公平な AI モデルを開発するための行動への呼びかけを表しています」とマフムード氏は述べた。 「これは科学者に対し、研究でより多様なデータセットを使用するよう求める行動喚起でもありますが、規制当局や政策当局に対しても、これらのモデルを承認して導入する前に、その評価ガイドラインにこれらのモデルの人口統計による層別評価を含め、AI システムの安全性を確保するよう求めるものでもあります。すべての患者グループに公平に利益をもたらします。」
詳しくは：
Vaidya、A et al. 計算病理学モデルによる誤診における人口統計的偏り、Nature Medicine (2024)。 DOI: 10.1038/s41591-024-02885-z
雑誌情報:
自然医学
#研究者は病理学 #アルゴリズムのバイアスを軽減し基礎モデルを使用して精度を向上させます