新しいAI基盤モデルは希少がんを検出できるが、普及にはデジタルサポートが必要

ニューヨークに拠点を置くデジタル病理学会社 Paige が開発した Virchow は、がん検出のための最大規模の画像ベースの AI 基盤モデルの 1 つです。Paige と Microsoft Research の提携から生まれた Virchow は、小さく複雑で希少ながんの診断の複雑さを克服し、病理学者にこれまで不可能だったレベルのがん検出と診断の洞察力を与えています。

希少がんは、がん全体の50％以上を占め、診断が非常に難しい。小児および青少年に発生するがんの70％以上がこれまで検出できなかった希少がんであることを考慮すると、同社によれば、これらのがんおよびがんの特徴を94％の精度で特定できるモデルの能力の影響は大きく、数十万人の生活に影響を与える可能性があるという。

ペイジ氏によると、これはAIが非常に進歩し、訓練さえ受けていない癌も検出できるようになったことを示しているという。

ヘルスケアITニュース Paige の共同創設者である David Klimstra 博士と面談し、基礎モデル、希少がんが病理学者とその患者にもたらす複雑さ、基礎モデルのデータの幅広さと深さによって希少がんを特定できるようになる仕組み、および患者の症例について話し合いました。

Q. ペイジ・ヴァーショウ財団モデルの概要と、それががん診断における AI の進歩をどのように表しているかについてお話しください。

A. 病理学 AI モデルのトレーニングは、過去 5 年間で飛躍的に進化しました。当初、AI モデルに癌の外観を「教える」ためには、各トレーニング画像の腫瘍に手動で注釈を付ける必要がありました。このプロセスは非常に時間がかかり面倒だったため、臨床グレードの AI モデルをトレーニングするために必要な量のデータを生成することができませんでした。

最初の大きな前進は、マルチインスタンス学習でした。マルチインスタンス学習では、画像に注釈を付ける必要がなく、コンピューターに提供される注釈は、特定の画像にがんが含まれているかどうかだけです。これにより、数万枚の画像が使用できるようになり、そのデータ量で、モデルはがんと良性を区別する特徴を学習しただけでなく、がんの外観のさまざまなバリエーションをより適切に一般化できるようになりました。

ペイジは前立腺がん検出モデルの訓練に複数のインスタンス学習を使用し、 2019年のネイチャーメディシン そしてその後 2021年にFDAにより臨床使用が承認される現在までに、このアルゴリズムは外科病理学での使用が認められた唯一の FDA 承認 AI 製品です。FDA 承認は、AI を二次読影ツールとして使用した場合にコア針標本における前立腺癌の診断において感度と特異度の両方が向上することを示した臨床研究に基づいています。

ペイジ氏は、マルチインスタンス学習を使用した診断 AI ツールの作成を続けてきましたが、この方法は手動による画像注釈よりもはるかに効率的であるにもかかわらず、特定の診断タスクを反映した膨大な量のデータを必要とします。非常に一般的ながんの種類には有効ですが、数千枚の画像が入手できない希少がんの診断には、新しい方法が必要でした。

そこで、ペイジは Virchow を開発しました。これは、腫瘍性疾患、非腫瘍性疾患、および正常組織学の全範囲を反映した、非常に膨大な量のデータ (10 億を超えるパラメータを含む最大 3,000,000 枚の画像) でトレーニングされた基礎モデルです。この種の自己教師ありまたは生成型 AI は、さらに少ないデータ ラベルで学習できるため、下流の診断タスクに適用できる病理学知識の仮想百科事典を作成できます。

モデルはすでに多くの病理画像データにさらされているため、特定のタスクを非常に効率的に学習できます。 ヴィルヒョウの論文はネイチャー・メディシン誌に掲載された。そして、このモデルは、Paige が開発中の将来の第 2 世代および第 3 世代の基礎モデルとともに、将来のすべての病理学 AI のトレーニングの基礎になると考えています。

これにより、希少な癌や、より一般的な癌の異常な変異の検出が可能になるだけでなく、日常的に作成される病理画像内の微妙な形態学的手がかりに基づいて、癌のゲノム変化などの重要な「デジタルバイオマーカー」を検出するためのトレーニングも可能になります。

Q. 検出能力や診断能力が限られているか全くないため、希少がんが病理学者やその他の臨床医、そしてその患者にとってどのような複雑さをもたらすのか教えてください。

A. 国立がん研究所によると、限られた症例数（米国では年間 40,000 件未満）に基づくと、すべてのがんの 4 分の 1 強が希少がんとみなされます。さらに、より一般的ながんにはすべてさまざまな病理学的変異があり、その一部は非常に特徴的な組織学的特徴、遺伝子変異、臨床的行動を示します。

希少がんやその変異は、数百のサブタイプのそれぞれに対する病理医や腫瘍医の経験が限られている可能性が高いため、診断と管理が困難です。病理医が希少変異についてあまり経験がない場合、その変異を認識できないか、他のがんの変異と区別することの重要性を知らない可能性があります。

がんの正確な診断と分類は病理医の役割ですが、一部のがんについては、重要な診断情報を正確に提供するために専門分野の専門知識が必要になる場合があります。大規模な専門センター以外では、まれながんの診断経験だけでは、病理医が最も重要かつ正確な診断を行うのに十分ではない場合があります。

Q. この基礎モデルのデータの広さと深さによって、小さな、複雑な、またはまれな癌や癌の特徴を特定できるようになりますか。また、これは癌病理学にどのような変化をもたらす可能性がありますか。

A. Virchow 基盤モデルは、メモリアル スローン ケタリング がんセンターの何百万もの画像を使用してトレーニングする過程で、基本的にあらゆる種類の希少がんや珍しい変異体にさらされてきました。つまり、コンピューター モデルは基本的に、専門分野別の専門家チーム全体の役割を担うことができ、異常な診断結果を認識するのに個々の病理学者の個人的な経験に頼る必要がないということです。

Virchow に基づく診断 AI が役立つ方法はいくつかあります。多くの場合、病変の診断やがんのスクリーニングのために採取された生検には、サンプル内の他の非がん性組織要素と比較して、がん細胞が非常に少ないことがあります。これらのがんが悪性腫瘍の特徴を容易に認識できる場合でも、他の細胞の海の中でそれらを見つけることは、いわゆる「干し草の山の中の針」であり、病理学者にとって非常に困難で時間のかかる作業です。

この種のタスクでは、Virchow に基づくような AI モデルが優れています。画像内のすべての形態学的所見を迅速に統合し、最終判定のために非常に小さな疑わしい領域に病理学者の注意を引くことができるためです。

もう 1 つの応用は、個々の病理医が経験が限られている可能性のある、まれな変異の区別です。AI モデルは、まれな癌の種類に対する過去の膨大な経験を活用して、病理医が適切に分類できるように支援できます。

最後に、病理診断の中には非常に主観的なものもあります。組織学的変化の連続体を個別のカテゴリに分ける判断が必要です。多くの研究で、がんの前駆症状の重症度の等級付けなど、こうした主観的な判断には大きな診断のばらつきがあることが示されていますが、こうした診断カテゴリによって臨床管理が大きく異なる場合もあります。

AIは、人間の解釈の主観性を排除するため、これらの主観的なカテゴリにケースを割り当てることをはるかに再現性の高いものにすることができます。 効果的なAIモデルの開発 主観的な診断はまだ進行中ですが、この厄介な問題に対する解決策を提供できる可能性があります。

Q. 膵臓がん患者において、汎がんアプリケーションによって神経芽腫のまれで小さな転移巣を検出できた症例について、また、これがなぜ重要なのかについてお話しください。

A. Virchow 基盤モデルに基づく AI モデルを使用した癌検出は、病理学者が希少癌の非常に小さな領域を特定するのに役立ちます。

ペイジ氏が 17 種類の異なる組織タイプにわたってがんを検出するモデルを検証しているときに遭遇した実際の例では、切除された比較的正常に見える膵臓組織の一部が、モデルによってがんの疑いがあるとフラグ付けされました。

これらの画像は患者に関する情報（年齢、性別、過去の診断など）なしに評価されたため、膵臓画像で見られる最も一般的な癌の種類は、乳管腺癌（成人の膵臓癌の中で最も一般的な種類）または膵臓神経内分泌腫瘍であると予想されます。

切除標本では、これらの癌のどちらも通常は非常に微妙なものではなく、この組織切片の検査で、どちらも存在しないことがすぐに確認されました。実際、最初は良性の炎症細胞 (リンパ球) を表しているように見えたいくつかの小さな細胞の塊を除いて、膵臓組織の大部分は正常に見えました。

しかし、AI によるこれらの細胞の検出に基づいて、患者の既往歴が判明しました。患者は神経芽腫の既往歴を持つ小児で、神経芽腫は副腎で最もよく発生します。神経芽腫の細胞はリンパ球に似ており、患者の既往歴が判明すると、病理学者の審査官は、AI が膵臓の標本では非常にまれにしか見られない癌を検出したことを検証できました。

この具体的な例は、私たちがさまざまながん種や変異体にわたって遭遇した能力の具体的な証拠を示しています。つまり、Virchow の広範なトレーニングにより、ほとんどの病理学者の診療では非常にまれにしか見られないがん種を検出できるということです。

Q. 病院や医療システムの経営幹部やその他の医療 IT リーダーは、Paige Virchow Foundation モデルに関するこのすべてから何を学ぶ必要がありますか?

A. 病理学の実践への AI の組み込みは、AI ツールの使用を可能にするために必要なデジタル病理学プラットフォームの採用が遅いために制限されており、ゆっくりと進んでいます。デジタルの採用は、デジタル化にかかるコストの高さ、ロジスティックスの課題、そして 1 世紀にわたるガラス スライドと顕微鏡を使用した実践によるユーザーの抵抗によって制限されています。

新しい AI ツールが導入されるにつれて、AI を使用することで達成される効率性と精度の向上により、デジタル病理学診療に取り組むコストと労力がますます正当化されるようになります。Virchow 基礎モデルを利用できるということは、病理学に役立つ AI ツールの開発を大幅に加速できることを意味します。

現在、AI 診断補助装置は、Paige のような企業だけでなく、Virchow にアクセスして独自の AI の構築に関心を持つ学術部門でも、より小規模なデータセットを使用してより迅速に開発できます。つまり、デジタル病理学の導入に対する障害が、これらの技術が病理学者、治療を行う臨床医、および患者にもたらすメリットを上回る転換点を予測できるということです。

LinkedIn で Bill の HIT 記事をフォローしてください: ビル・シウィッキ
彼にメールを送る: お問い合わせ
Healthcare IT News は HIMSS Media が発行する出版物です。