人工知能（AI）は医療診断の新たな一面となるかもしれない。ディープラーニングと呼ばれるAI技術が、乳房検査の補助や患者が不必要な生検を避けるための新しい超音波画像診断装置に初めて実装される。
サムスンメディソンの超音波システムに搭載された新機能は、ディープラーニング・アルゴリズムを用いて、乳房の異常が良性か悪性かを診断します。広報マネージャーのダグ・キム氏によると、「S-Detect for Breast」機能は、同社のRS80A超音波システムのアップグレード版に搭載され、欧州、中東、韓国の一部地域で販売されており、米国ではFDAの承認を申請中です。ディープラーニングは、大量のデータに基づいて複雑な意思決定アルゴリズムを構築し、音声・画像認識ソフトウェアから医薬品研究まで、あらゆる分野で活用されています。
開発者たちは、過去の匿名の乳房検査で得られた約9,000枚の乳がん病変（乳房の腫瘤または異常を指す用語）の画像を用いてこのアルゴリズムを構築した。サムスンメディソンのウェイン・スピトル副社長は、ポピュラーサイエンス誌のインタビューで、放射線科医が病変の形状や向きといった様々な特徴に注目しながら、それぞれの画像を読影したと述べた。さらに、画像に写っているすべての病変は生検され、実際に悪性であるかどうかが判断された。
「学習が正しく処理されているかを実際に確認するには、それぞれの病変の実際の診断が必要です」とスピトル氏は語った。
このデータに基づき、開発者たちは、病変のどの特徴（例えば形状）ががんと最も関連しているかを相関させるアルゴリズムを構築しました。超音波装置を使用すると、このアルゴリズムを乳房病変の画像にリアルタイムで適用し、これまでに収集されたすべてのデータに基づいて生検を行うべきかどうかを推奨することができます。
「病変の形状、密度、液体か固体か、内部にパターンがあるかなど、様々な基準が定められています」とスピトル氏は述べた。「検査を行う放射線科医は、実際に観察したい画像を静止させ、学習アルゴリズムを適用します。」
しかし、サムスンメディソンは、アルゴリズムの精度を詳細に説明したと主張する研究結果をまだ公表していない。精度について質問されると、同社は未発表で入手不可能な論文を提示した。
しかし、基本的な考え方は、医療専門家がより短時間でより正確な推奨を行えるように支援し、悪性病変の発見を支援するとともに、患者が良性と判明した異常に対する不必要な生検（通常は非常に安全だが、不便で費用がかかる可能性がある処置）を避けられるようにすることです。
従来の乳房検査
ジョンズ・ホプキンス大学医学部の乳房画像診断部長であるスーザン・ハーベイ氏によると、乳房検査において超音波検査は一般的に第二の防御線と考えられています。一般的に、マンモグラフィーが最初に使用されるスクリーニングツールです。異常が検出された場合には、超音波検査で更なる評価を行うことがあります。
通常の超音波検査では、スキャンを読影する放射線科医または専門家が、病変の悪性度を判断するために用いられる様々な特徴について手作業で検査を行うと、シカゴ大学放射線科の放射線学助教授兼乳房画像診断部門長のデイビッド・シャハト氏は述べています。例えば、液体で満たされた嚢胞は通常、生検を必要としませんが、固形腫瘤はより大きな懸念事項となります。
これらの固体塊を見ると、特定の特徴が際立つと思われます。
「これらの特徴には、腫瘤の形状などが含まれます」とシャハト氏は述べた。「丸型や楕円形であれば良性である可能性が高いです。不規則な形状であれば、悪性である可能性が高いです。」放射線科医は、腫瘤の縁や腫瘤に栄養を送る血管の外観も検査する可能性があり、これも癌の兆候を示すのに役立つ可能性がある。
最終的に、専門家はこれらすべての特徴を総合的に評価し、生検を行うべきかどうかを推奨します。
「しかし、固形腫瘤の良性生検は、様々な理由で行われることは確かです」とシャハト氏は付け加えた。「良性と判定して生検を行わないために必要な良性の特徴を、腫瘤が全て備えているわけではない場合や、高リスク状態や患者の懸念といった患者要因が、たとえ癌である可能性が非常に低い固形腫瘤であっても、生検を行うべきかどうかの判断に影響を与える可能性があります。」
ハーベイ氏は、米国の基準によれば「生検した病変の25～35％が癌であれば、適切な基準で行われていることになる」と指摘した。
そのため、通常、実際に癌が示唆されるよりもはるかに多くの生検が実施されます。もちろん、癌を見逃すリスクは大きいものの、生検に伴う健康リスクは最小限であるとハーベイ氏は指摘しました。しかし、不必要な生検にかかるコストも考慮する必要があります。
ディープラーニングと医療機器
S-Detect for Breastのアルゴリズムはリアルタイム学習するように設計されていません。つまり、評価するすべての新しい画像からデータを収集し、それを用いて自己更新するわけではありません。いずれにせよ、アルゴリズムは、特定の画像の生検を実施し、最終的な診断（癌か良性か）が記録されるまで「学習」できません。しかし、開発者は後からより多くのデータを使ってプログラムを更新し、更新されたアルゴリズムを超音波システムの新しいモデルに適用することができます。
現在、このアルゴリズムの精度（従来の乳房検査と比較した精度）に関する査読済み研究は発表されていないが、キム氏は、韓国ソウルにあるサムスンメディカルセンターの協力者による論文が執筆中で、年内に発表される可能性が高いと述べた。同社はまた、甲状腺画像診断など、他の種類の超音波検査にもディープラーニングアルゴリズムを適用する構想も検討している。
一方、シャハト氏は、この特定のデバイスを使用していないものの、診断におけるビッグデータの使用は「重要な概念」であると指摘した。
「コンピューターとビッグデータを活用して、画像診断で確認される乳房病変についてより深く理解することは、マンモグラフィーにおけるコンピューター支援検出が本格的に始まった時代まで遡り、数十年にわたり乳房画像診断の重要な部分を占めてきました」と彼は述べた。「乳房画像診断において、画像から得られるデータを活用してこの分野を発展させてきた長い歴史があると思います。」
この記事の取材にはデイブ・ガーシュゴーンが協力した。
