AI は血液検査で危険な兆候を見つけられるように訓練されています

これは、AI が医学研究と治療をどのように変えるかを考察する 6 部構成のシリーズの 3 番目の特集です。

ニューヨークに本拠を置く世界的慈善団体、卵巣がん研究同盟（Ocra）の代表オードラ・モラン氏は、卵巣がんは「まれで、資金不足で、致命的である」と語る。

すべてのがんと同様、早期に発見するほど良い結果が得られます。

ほとんどの卵巣がんは卵管で発生するため、卵巣に到達する頃にはすでに他の場所にも転移している可能性があります。

「症状が現れる5年前は、死亡率に影響を与えるために卵巣がんを発見する必要があるかもしれない時期です」とモランさんは言う。

しかし、人工知能（AI）の力を利用してがんの兆候を非常に初期段階で発見する新しい血液検査が登場しつつある。

また、AI はがんだけでなく、肺炎などの潜在的に致命的な感染症の他の血液検査も高速化できます。

ダニエル・ヘラー博士は、ニューヨークのメモリアル・スローン・ケタリングがんセンターの生物医学技師です。

彼のチームは、人間の髪の毛の直径の約 50,000 分の 1 ほど小さいカーボンの小さなチューブであるナノチューブを使用するテスト技術を開発しました。

約 20 年前、科学者たちは蛍光を発するナノチューブを発見し始めました。

過去 10 年間に、研究者たちはこれらのナノチューブの特性を変更して、血液中のほぼすべてのものに反応する方法を学びました。

現在では、何百万ものナノチューブを血液サンプルに入れて、付着したものに基づいて異なる波長の光を放射させることが可能です。

しかし、信号の解釈という問題は依然として残り、ヘラー博士はそれを指紋の一致を見つけることに例えています。

この場合、指紋はセンサーに結合する分子のパターンであり、異なる感度と結合強度を持ちます。

しかし、そのパターンは人間が識別するには微妙すぎます。

「データを見ても、まったく理解できないでしょう」と彼は言う。 「AIでは違うパターンしか見えない。」

ナノチューブのデータを解読するということは、データを機械学習アルゴリズムにロードし、どのサンプルが卵巣がん患者からのもので、どのサンプルが卵巣がんを持たない人からのものであるかをアルゴリズムに伝えることを意味しました。

これらには、他の形態の癌や、卵巣癌と混同される可能性のある他の婦人科疾患を患っている人の血液も含まれていました。

AI を使用して卵巣がん研究のための血液検査を開発する際の大きな課題は、検査が比較的まれであるため、アルゴリズムをトレーニングするためのデータが制限されることです。

そして、そのデータの多くは、治療を行った病院内にサイロ化されており、研究者向けのデータ共有は最小限に抑えられています。

ヘラー博士は、わずか数 100 人の患者から得られた利用可能なデータに基づいてアルゴリズムをトレーニングすることを「ヘイル メアリー パス」と表現しています。

しかし同氏は、AIは現在利用可能な最高のがんバイオマーカーよりも高い精度を得ることができたが、それは最初の試みにすぎなかったと述べた。

このシステムは、より大規模なセンサーのセットとより多くの患者からのサンプルを使用して改善できるかどうかを確認するために、さらなる研究が行われています。自動運転車のアルゴリズムが路上でのテストを増やすことで改善できるのと同じように、データが増えればアルゴリズムも改善できます。

ヘラー博士はこの技術に大きな期待を寄せています。

「私たちがやりたいのは、すべての婦人科疾患をトリアージすることです。それで、誰かが苦情を訴えてきたときに、それが癌である可能性が高いか、癌ではない可能性が高いか、それとも癌である可能性が高いかをすぐに伝えるツールを医師に提供できないでしょうか。」

ヘラー博士は、これは「3～5年」先のことかもしれないと述べている。

AI が潜在的に役立つのは早期発見だけでなく、他の血液検査も高速化されます。

がん患者にとって、肺炎にかかると致命的になる可能性があり、肺炎の原因となる微生物は約 600 種類あるため、医師は感染を特定するために複数の検査を実施する必要があります。

しかし、新しいタイプの血液検査により、プロセスが簡素化され、迅速化されています。

カリフォルニアに拠点を置く Karuis は、人工知能 (AI) を使用して、24 時間以内に肺炎の病原体を正確に特定し、それに適した抗生物質を選択します。

カリウスの最高経営責任者アレック・フォード氏は、「われわれの検査が行われる前は、肺炎患者は入院してから最初の1週間だけで、感染を特定するために15～20種類の検査を受けることになる。検査費用としては約2万ドルかかる」と話す。

カリウスには、数百億のデータポイントを含む微生物 DNA のデータベースがあります。患者からの検査サンプルをそのデータベースと比較して、正確な病原体を特定できます。

フォード氏は、AIがなければそれは不可能だったと言います。

課題の 1 つは、AI が検査バイオマーカーと疾患の間に結びつける可能性のあるすべての関連性を研究者が現在必ずしも理解しているわけではないことです。

過去 2 年間にわたって、スレーブ ペトロフスキー博士は、英国のバイオバンク データのバイオマーカーを使用して 90% 以上の成功率で 120 の病気を特定する、Milton と呼ばれる AI プラットフォームを開発しました。

このような大量のデータからパターンを見つけるのは、AI だけができることです。

「これらは多くの場合、複雑なパターンであり、バイオマーカーが 1 つではない可能性がありますが、パターン全体を考慮する必要があります」と、製薬大手アストラゼネカの研究員であるペトロフスキー博士は言います。

Heller 博士は、卵巣がんに関する研究で同様のパターン マッチング手法を使用しています。

「センサーが血液中のタンパク質や小分子に結合して反応することはわかっていますが、どのタンパク質や分子ががんに特有のものなのかはわかっていません」と彼は言う。

より広範なデータ、またはその欠如は依然として欠点です。

「人々は自分のデータを共有していないか、そのための仕組みがありません」とモラン氏は言う。

Ocra は、研究者がそのデータに基づいてアルゴリズムをトレーニングできるようにする患者の電子医療記録を備えた大規模な患者登録に資金を提供しています。

「まだ黎明期です。今はまだ AI の荒野にいます」とモラン氏は言います。