AIが画像から早期がんを検出します

AIが画像からどのようにがんを早期に検出するのかをご存じですか？本記事ではINVIAIと共に、その詳細を詳しくご紹介いたします！

がんの早期発見は生存率を大幅に向上させます。人工知能（AI）は現在、医療画像上で腫瘍をより早く、かつ高精度に発見するために医師を支援しています。

数千件の注釈付きスキャンやスライドを用いて深層学習モデルを訓練することで、AIは専門医でも見逃す可能性のあるパターンを学習します。

実際には、AIツールはマンモグラム、胸部CT、X線、MRI、超音波、病理スライドなどの画像を解析し、疑わしい部位を検出してリスクを定量化します。

例えば、AI強化超音波検査により、ある患者様は良性のしこりであることが判明し、不必要な甲状腺生検を回避できました。

専門家は、がん医療におけるAIを「診断と治療を改善する前例のない機会」と評価しています。

AIが医療画像を解析する仕組み

画像解析用のAIシステムは通常、深層学習（特に畳み込みニューラルネットワーク）を用い、大量のデータセットで訓練されます。訓練中にアルゴリズムは、がん組織と正常組織を区別する特徴（形状、質感、色など）を抽出する方法を学びます。

訓練後、AIモデルは新しい画像をスキャンし、学習したがんの特徴に合致するパターンを強調表示します。

実質的に、AIは非常に感度の高い「セカンドリーダー」となり、人間が見落としがちな微細な病変を指摘します。例えば、マンモグラムやCTスライスをAIが解析すると、小さな石灰化や結節を色付きの枠やアラートで放射線科医に知らせます。

また、AI解析はリスク推定も可能です。あるアルゴリズムは単一画像から患者様の将来のがんリスクを予測し、医師が検診間隔を個別化できるよう支援します。

実例として、AI解析された甲状腺超音波検査は良性組織を確定的に識別し、その後の生検結果と一致し、患者様の不安軽減に寄与しました。

乳がん検診

マンモグラフィーはAIの効果が顕著に現れている代表例です。研究によれば、AI支援により乳がん検出率が大幅に向上しています。

ドイツの大規模試験では、AIツールを用いた放射線科医がAIなしの場合より17.6％多くのがんを発見しました。

具体的には、AI支援群は1,000人あたり6.7件のがんを検出し、標準群の5.7件を上回り、しかも再検査率（誤警報）をわずかに減少させました。

一般的に、マンモグラフィーにおけるAIの利点は以下の通りです：

• 感度と特異度の向上。米国国立がん研究所（NCI）の研究では、AI画像アルゴリズムが「マンモグラフィーでの乳がん検出を改善」し、将来的に浸潤性になる病変の予測にも役立つと報告されています。
• 微細な所見の検出。AIは微小石灰化の小さな集積や非対称性を検出し、通常の検診で見逃されやすい病変を追加の専門家として指摘します。
• 作業負担とばらつきの軽減。画像の事前スクリーニングにより、AIは疑わしい症例を優先的に放射線科医に提示し、増加するマンモグラムの処理を支援します。

特筆すべきは、FDAが臨床使用を承認した複数のAI支援マンモグラフィーツール（例：iCAD、DeepHealthのSmartMammo）が、実際の現場で早期がんを検出する能力を認められていることです。

肺がん検診

AIは肺がん検出にも応用されています。高リスクの喫煙者を対象とした低線量CT（LDCT）検査において、AIは画像の質向上や病変検出を支援します。

特に被ばく低減が利点で、AIベースの画像再構成アルゴリズムは、現行のLDCTよりもさらに低線量で鮮明なCT画像を生成可能です。

さらに、AI搭載のコンピュータ支援検出（CAD）システムは、CTスライスごとに結節を自動検出し、疑わしい結節を画像上にマークして医師の確認を促します。

要するに、AIは肺画像における感度の高いセカンドリーダーとして機能します。

例えば、最新モデルは良性・悪性の肺結節双方に高い感度を示し（研究用システムではテストスキャンの90％以上の結節を検出）、米国FDAも肺がん検診支援AIツールを承認しています。

また、AIは画像と患者データを組み合わせることで、より頻繁な検査が必要な患者を層別化し、検診の個別化にも貢献します。

（ただし、現行のCAD研究では、AIが検出する結節数は増加するものの、その多くは小さく低リスクのものであり、進行した病変の検出率を劇的に向上させているわけではありません。）

皮膚がん（メラノーマ）

皮膚の拡大写真を用いるダーモスコピー画像解析もAIの得意分野です。数万枚の皮膚病変画像で訓練された最先端の深層学習モデルは、ほくろを良性か悪性か高精度で分類できます。

最近の研究では、改良されたニューラルネットワークがダーモスコピー画像から早期メラノーマを95～96％の精度で識別しました。

これは重要な成果です。早期メラノーマは予後が非常に良好（5年生存率約98％）ですが、進行期では生存率が大幅に低下します。

AIは疑わしいほくろを生検対象として強調表示し、皮膚科医の早期診断を支援します。

さらに、AIツールはスマートフォンアプリや専用機器に組み込まれ、撮影したほくろのリスクを評価し、一次診療の早期発見を広げる可能性もあります。

子宮頸がん検診

AIは子宮頸がん検診にも貢献しています。例えば、CerviCAREシステムは、子宮頸部の写真（コルポスコピーに似た画像）を深層学習で解析し、前がん病変を識別します。

多施設試験で、CerviCARE AIは高悪性度子宮頸部病変（CIN2以上）に対し98％の感度、95.5％の特異度を達成しました。

実際には、専門のコルポスコピー医が不足する地域で、AIが自動的に異常部位を強調表示し、前がん組織の見逃しを防ぐ支援が期待されます。

この種のAIは、従来のパップスメア検査やHPV検査と併用して早期発見を促進します。

米国国立がん研究所（NCI）も子宮頸がん検診におけるAIによる前がん検出自動化の研究を報告しています。

大腸・直腸がん検診

大腸内視鏡検査では、AIがリアルタイムで支援します。最新システムは内視鏡の映像を連続解析し、ポリープや疑わしい組織が映ると、AIが画面上に色付きの枠や音声アラートで強調表示し、医師の注意を促します。

AI支援大腸内視鏡検査：システムが「平坦型」ポリープ（青枠で強調）を特定し、医師が切除可能です。

研究によれば、AIを用いた内視鏡検査は特に小さな腺腫の検出数を増加させ、医師が見逃しやすい初期病変の発見に役立っています。

大規模試験（CADILLAC研究）では、AI支援により全体の腺腫検出率が向上しましたが、その多くは小さく低リスクのポリープであり、大きく高リスクの腺腫検出率は有意に増加しませんでした。

つまり、AIは多数の小さな病変を指摘するのに優れていますが、最も危険な前がん病変の発見改善については引き続き検証が必要です。

それでも、AIの「セカンドアイ」は疲労による見逃しを減らし、医師間のばらつきを低減します。FDAは臨床用のAIシステム（CADe）を承認し、内視鏡医のポリープ検出を支援しています。

病理診断およびその他の画像診断におけるAI

AIの活用はライブ画像解析にとどまらず、病理診断や特殊検査にも広がっています。デジタル病理スライド（組織生検の高解像度スキャン）をAIアルゴリズムが解析しています。

例えば、新たなAI「CHIEF」は19種類のがんにわたる60,000枚以上の全スライド画像で訓練されました。

CHIEFはスライド上のがん細胞を自動検出し、視覚的特徴から腫瘍の分子プロファイルまで予測します。テストでは複数臓器の未見スライドに対し約94％の精度を達成しました。

同様に、FDAは前立腺生検標本のがん領域を強調表示するAIソフトウェアを承認し、病理医の重要部位への注目を支援しています。脳腫瘍MRIや甲状腺結節超音波の解析にもAIツールが承認されています。

要するに、AIはMRI/CTスキャンからX線、顕微鏡スライドまで、多様な画像で異常を検出し、医師の注意を促す多機能なアシスタントとなりつつあります。

早期発見におけるAIの利点

様々な応用分野で、AIはがんの早期発見に以下の主要な利点を提供します：

• 高い感度：AIは非常に微細な兆候を検出可能です。乳がん検診では、過去のマンモグラムに遡ってAIを適用すると、約20～40％の間隔がん（初回読影で見逃された腫瘍）を検出しました。
  つまり、AIは人間の読影者よりも早期にがんを明らかにする可能性があります。
• 精度と効率：研究では、AI支援読影により偽陰性が減少し、場合によっては偽陽性も減少しています。
  例えば、ドイツの試験ではAI支援マンモグラフィーが生検の陽性的中率（生検あたりのがん検出率）を向上させました。
• AIは人間よりも高速に画像を処理できるため、検診プログラムは増加する検査件数を質を落とさずに対応可能です。
• 安定した品質：AIは疲労や気の散りによる見落としがなく、症例間で均一な解析レベルを提供し、放射線科医間のばらつきを減らします。
• 不要な検査の回避：良性と悪性病変をより正確に区別することで、患者様の不必要な検査を減らせます。甲状腺の例では、AIが生検なしでがんを否定しました。
• 皮膚科領域では、AIアプリが良性ほくろを患者様に安心させる役割を果たしています。
  全体として、精密検診を目指し、本当に介入が必要な病変を見つけ、過剰治療を避けることが目標です。
• グローバルなアクセス：専門医が不足する地域では、AIツールが専門レベルの検診を遠隔地のクリニックに拡大します。
  例えば、AI搭載コルポスコープは資源の限られた地域で看護師が子宮頸がん検診を行う支援となります。

「AIを活用した手法は、臨床医のがん評価能力を効率的かつ正確に高めることができます」。多くの試験で、AIと医師の専門知識を組み合わせることで、単独よりも優れた結果が得られており、まるで知識豊富な同僚に相談するかのようです。

課題と考慮点

AIには課題もあります。限られた、または多様性のないデータで訓練されたモデルは、すべての患者様に同様に機能しない可能性があります。例えば、皮膚病変検出AIは多様な肌色で訓練しないとバイアスが生じます。

ダーモスコピーAIツールは、毛髪や照明不良などのアーティファクトや、少数派の病変タイプで性能のギャップが指摘されています。

検診では、検出数の増加が誤警報の増加を意味することもあります。AI内視鏡検査は多くの小さなポリープを検出しますが、その一部はがん化しない可能性があります。

すべての微小病変を除去することは出血や穿孔のリスクも伴うため、感度と特異度のバランスを取ることが重要です。

臨床現場へのAI統合は容易ではありません。病院はFDA承認済みのソフトウェアとスタッフ教育が必要であり、AIががんを見逃した場合の責任問題も議論されています。

多くの研究者はAIをツールと位置付けており、ある放射線科医は「AIを使うことは優秀な同僚に意見を求めるようなもの」と表現しています。継続的な臨床試験と市場後調査が、これらのツールが真に成果を向上させることを保証します。

今後の展望

がん検出におけるAIの未来は有望です。研究者は「ファウンデーションモデル」（膨大なデータセットで訓練された大規模AI）を開発中で、多様なタスクを一度に処理可能です。ハーバードのCHIEFはその一例で、「病理学のChatGPT」のように数百万の画像パッチで訓練され、多くのがん種に対応しています。

同様の手法は、画像診断と遺伝子・臨床データを組み合わせた超個別化検診を実現しつつあります。マルチモーダルAIは、がんの有無だけでなく、その進行度も予測し、フォローアップの強度を導くことが期待されています。

AIの性能は新技術により急速に向上しています。次世代のCADシステムは高度なニューラルネットワーク構造や大規模言語モデルを用いて画像を解釈します。肺がん領域では、旧来のAIは「原始的」だったとされ、最新モデルははるかに優れていると専門家は予測しています。

欧米の多施設試験など国際的な研究が進行中で、AIツールの大規模検証が行われています。データが蓄積されるにつれ、AIは実臨床の結果から学習し、精度を継続的に改善していきます。

まとめると、AIはすでにマンモグラムやCTスキャン、皮膚写真、生検スライドなどの医療画像からがんをより早期に検出する支援を行っています。課題は残るものの、最先端の研究と規制承認により、将来的にはがん検診の標準的なパートナーとなることが期待されています。

治療効果が最も高い早期段階で腫瘍を発見することで、これらの技術は世界中の多くの患者様の予後改善に寄与するでしょう。