Mayo Clinicの膵がんAI、放射線科医が見逃すリスクシグナルを検出
Mayo Clinicの膵がんAIは、患者が臨床診断を受ける最大3年前の通常のCT検査で、隠れた警告サインを検出した。このモデルは、独立したテストセットにおける診断前がん症例の73%を発見した。同じ画像を評価した専門放射線科医が発見した割合は38.9%だった。
この差こそが本質的なポイントだ。画像に明らかな異常は見られず、患者は膵がんとは無関係の理由で画像検査を受けていた。それでもモデルは、数か月後から数年後に臨床的に確認されるがんに関連するパターンを見つけ出した。
Radiomics-based Early Detection Model、通称REDMODと呼ばれるこのシステムは、単独でがんを診断するものではない。人間の読影者には正常に見える膵組織全体の定量的パターンを用いてリスクを評価する。
Mayo Clinic、MD Anderson Cancer Center、University of Washingtonの研究者らは、この結果をGutで報告した。この後ろ向き研究は医療AIに厳しい課題を突きつけている。すなわち、目に見える腫瘍が明確な診断手掛かりとなる前に、まれながんを検出することだ。
ただし、このモデルのアラートが臨床現場で生存率を改善することは、まだ示されていない。次の検証課題は、過剰な偽陽性、侵襲的処置、患者の不安を生むことなく、病院がこれらのアラートを活用できるかどうかである。
Mayo Clinicの膵がんAI、数年前からシグナルを検出
REDMODが変えたのは、放射線科医が視覚的に確認できる内容ではなく、一見正常に見えるCT画像から研究者が抽出できる情報だった。
研究者らは、その後に膵管腺がんを発症した219人の診断前CT画像を集めた。この疾患はしばしばPDACと略され、膵がんの中で最も一般的な型である。
これらの画像は、診断の3か月から36か月前に撮影されたものだった。元の読影では、疑わしい膵腫瘤やその他の局所的異常は特定されていなかった。
研究には、膵がんのない人から得た1,243件の対照CT画像も含まれた。対照参加者には少なくとも3年間の追跡期間があり、未診断のがんが正常と誤分類される可能性を低減した。
研究者らはデータを、開発用グループとテスト用グループに分割した。REDMODは、診断前症例156件と対照813件を含む969件の画像で学習した。
独立テストセットには493件の画像が含まれた。このうち63件は診断前のがん症例、430件は対照であり、いずれもシステムの学習には使用されていなかった。
このテストで、REDMODは受信者動作特性曲線下面積0.82を達成した。AUCとして知られるこの指標は、異なる閾値においてモデルが陽性症例と対照をどれだけ適切に区別できるかを示す。
選択された閾値で、モデルは感度73%、特異度81.1%に達した。感度は検出されたがん症例の割合を、特異度は陰性と正しく分類された対照の割合を測定する。
臨床診断までのリードタイムの中央値は475日、つまり約16か月だった。評価対象の一部の画像は、診断の3年前までさかのぼる時点で撮影されていた。
これらの結果は、Mayo Clinicの膵がんAIが最大3年前からリスクを示せるという見出しの主張を裏付ける。ただし、すべてのがんを3年前に検出したことを意味するわけではない。
この区別は重要である。3年という数字は研究期間の上限を表す一方、475日はテストにおける典型的なリードタイムを示している。
査読済みのREDMOD studyによると、性能は診断までの期間によって変化した。診断の2年以上前に撮影された画像では、モデルの放射線科医に対する優位性がより大きくなった。
REDMODはこのサブグループの症例の68%を検出したのに対し、放射線科医は23%だった。研究者らは、より長いリードタイムのサブグループには症例数が少なく、推定値の確実性が低いと注意を促している。
それでもこの結果は、よくある前提に疑問を投げかける。正常と判断されたCT画像にも、膵腫瘤が可視化されるはるか前から測定可能な組織変化が含まれている可能性がある。
膵がんの早期発見が依然として難しい理由
臨床上の切迫性は、限られた治療可能な期間と、平均リスクの成人に向けた標準的なスクリーニング戦略がないことに起因する。
膵がんは、最も早期の段階では曖昧な症状しか示さないか、認識可能な症状をまったく示さないことが多い。体重減少、腹痛、黄疸をきっかけに画像検査が行われる頃には、がんが転移している可能性がある。
早期発見が重要なのは、適格な患者にとって手術が長期生存への最も明確な道筋となるためだ。多くの患者は、疾患が進行した後に発見されるため、手術に至らない。
全人口をスクリーニングすることは簡単な解決策ではない。膵がんは、乳がん、肺がん、大腸がん、前立腺がんと比べてまれである。
一見高い精度を持つ検査でも、まれな疾患を対象に運用すれば多くの偽陽性を生む可能性がある。がんではない人の数が非常に多いため、不完全な特異度が重大な臨床上の問題になる。
National Cancer Instituteは、平均リスクの人に対する標準的な膵がんスクリーニング検査はないとしている。現在のscreening guidanceは、リスクが高い人を対象としたサーベイランスに重点を置いている。
こうしたグループには、顕著な家族歴、遺伝性のがん関連バリアント、特定の膵病変を持つ人が含まれる。一部の臨床プログラムでは、新規発症糖尿病についてもリスク集積のシグナルとして調査している。
リスク集積とは、一般集団よりもがん発生率が高い、より小さな集団を選び出すことを意味する。これにより、二次的な画像検査や診断検査の実用性が高まる。
REDMODは、ユニバーサルスクリーニングよりもこの標的型アプローチに適している。このモデルは、特に既知の警告因子を持つ患者について、通常診療ですでに取得されたCT画像を解析するよう設計されている。
この設計により、膵がんスクリーニングだけを目的として全員を新たなCT放射線にさらすことを避けられる。また、すでに取得済みの画像を、経時的なリスク情報のもう一つの源に変える。
しかし、これはカバレッジ上の制約も生む。適格な腹部CT画像がない人は、基礎リスクにかかわらずモデルの恩恵を受けられない。
学習対象集団も、真の集団スクリーニング条件を再現しているわけではない。この研究では、診断前のがん症例約1件に対し、対照6件を用いた。
この比率は、無選択の臨床集団よりもかなりがんが集積している。研究者らはこれを、バランスの取れた症例対照実験との比較で厳しい低有病率設計として用いたのであり、集団における発生率を再現したものではない。
実世界での有病率がより低ければ、陽性的中率は大幅に低下しうる。陽性的中率は、陽性アラートが実際の疾患に対応する頻度を示す。
2024年のsystematic reviewでは、膵がんリスクを対象とする電子健康記録モデルの間で大きなばらつきが確認された。また、この分野全体で報告が不十分であり、実世界での検証が限られていることも指摘された。
その後のメタ解析では、EHRベースのアプローチでは陽性的中率が1%未満であることが多いとされた。この解析は、有望な平均識別性能にもかかわらず、研究間で極端なばらつきがあることも報告した。
これらの知見は、構造化記録ではなく画像を解析するREDMODを否定するものではない。強い後ろ向き精度は、スクリーニングシステムに求められる出発点にすぎないことを示している。
REDMODが正常に見える膵臓を読み解く仕組み
このモデルは膵組織を測定可能なテクスチャパターンへ変換し、3つの分類器を組み合わせてリスクを推定する。
REDMODは、自動膵臓セグメンテーションから始まる。セグメンテーションとは、個々のCT画像スライス全体で臓器の三次元的な境界を特定することを指す。
研究者らはこの工程に3D nnU-Netというディープラーニングアーキテクチャを使用した。自動セグメンテーションは、大規模分析を困難にする手作業を削減する。
膵臓を分離した後、システムはラジオミクス特徴量を計算する。ラジオミクスは、医療画像を強度、テクスチャ、形状、空間的関係を表す数値測定値に変換する手法だ。
これらの測定値は、目に見える腫瘍を形成していないピクセルレベルの変動を捉えることができる。放射線科医は解剖学的構造を見る一方、ラジオミクスはその構造内で画像値がどのように変動するかも測定する。
システムは当初、数百の測定値を調べた。最終シグネチャには、4つの一次特徴量と36のテクスチャ特徴量を含む、選択された40の特徴量が用いられた。
一次特徴量は、位置を考慮せずに画像強度の分布を要約する。テクスチャ特徴量は、隣接する画像値の空間パターンと関係を測定する。
選択された40の特徴量のうち36は、フィルタ処理された画像に由来した。フィルタは異なるスケールのパターンを明らかにし、元のCT画像では消えてしまう可能性がある変動も捉える。
ウェーブレットフィルタ処理されたテクスチャ特徴量は、最終シグネチャの90%を占めた。これらの特徴量は、フィルタなしの特徴量の0.74に対し、0.82のAUCを生み出した。
この差は研究において統計的に有意だった。これは、このモデルが読影者に見落とされた隠れた腫瘤だけでなく、広範に分布する構造変化に依存していることを示唆する。
次にREDMODは、選択した測定値を3つの従来型機械学習手法に入力する。これらはロジスティック回帰、ランダムフォレスト、極端勾配ブースティングである。
各手法は確率を算出する。システムはソフトボーティングによってこれらの出力を平均し、統合された確率を分類結果に変換する。
このアンサンブルが重要なのは、3つの手法が異なる関係性を捉えるためだ。ロジスティック回帰はより単純な境界を好む一方、木ベースのモデルは非線形の相互作用を表現できる。
学習プロセスでは、SMOTEとして知られるSynthetic Minority Over-sampling Techniqueも使用した。この手法は少数クラス内に合成例を作成し、学習時の不均衡を減らす。
SMOTEは実在する患者を追加するものではない。より大きな対照グループがすべての予測を支配しないようにしつつ、分類器が決定境界を学習するのを支援する。
モデルには調整可能な分類閾値が含まれている。病院は基礎アルゴリズムを再学習させることなく、その閾値をより高い感度またはより高い特異度に合わせて調整できる。
この柔軟性は有用だが、重要な判断を臨床導入に委ねることになる。より低い閾値では、より多くのがんを捉えられる一方で、偽陽性アラートも増える。
より高い閾値は不要な追加検査を減らせるが、より多くの早期疾患を見逃す可能性がある。したがって、技術的に最適な閾値が、臨床的に最も安全な選択とは限らない。
Mayo Clinicは、意図する出力は自動化されたがん診断ではなく、追加のリスクシグナルだとしている。同社のclinical summaryは、REDMODを放射線科医や消化器内科医を補完するものとして説明している。
この役割は、その後のあらゆる判断に人間によるレビューを残す。また、統計的なテクスチャシグネチャだけでは、さらなる臨床評価なしに悪性を確定できないことも認識している。
REDMODと放射線科医の比較は、最終的な論点ではない
この研究は、AIがより多くの診断前シグナルを発見したことを示すが、実用的なシステムは依然として放射線科医によるアラートの解釈に依存する。
2人の腹部放射線専門医が、結果を知らされないまま独立テストセットを評価した。各膵臓が正常に見えるか、診断前疾患の所見を示すかを判定した。
両者を組み合わせた感度は38.9%で、REDMODの73%と比べて低かった。この差は統計的に有意だった。
この結果は、放射線科医が通常の業務で不十分な成績だったことを示すものではない。彼らは明らかな腫瘤が見えないスキャンを評価しており、元の臨床読影者も陰性と判定していた。
REDMODは異なる情報層を扱った。人間の視覚が通常は定量化しない数学的パターンを測定した。
一部の比較では、放射線科医のほうが高い特異度を維持した。この利点は重要である。偽陽性は再撮像、超音波内視鏡、生検、手術、あるいは長期の経過観察につながり得るためだ。
研究の責任著者であるAjit Goenkaは、臨床解説でこのモデルを補完的なシステムと説明した。放射線科医が標準的な報告書を作成し、REDMODが別途リスクスコアを加えるという。
このワークフローは、対立構図を捉え直すものだ。有用な比較は機械対医師ではなく、AI支援下の読影と従来の読影単独との比較である。
AIのアラートにより、放射線科医が膵臓を再度精査する可能性がある。また、放射線科、消化器内科、腫瘍内科、リスク遺伝学を組み合わせた多職種チームへ症例を送ることもできる。
新規発症の糖尿病や原因不明の体重減少がある患者では、スコア上昇がより綿密な監視を支持する可能性がある。臨床医はMRI、超音波内視鏡、分子イメージング、またはより短い追跡間隔を検討できる。
症状のない平均リスク患者では、同じスコアでも意味が異なり得る。がんの事前確率が低いため、誤警報の可能性は高くなる。
したがって病院に必要なのは、感度の数値が1つだけではない。年齢、性別、人種、糖尿病の有無、スキャナメーカー、撮像プロトコル、臨床適応ごとに分けた性能評価が必要だ。
この研究には、複数の施設、システム、プロトコルからのスキャンが含まれていた。その多様性は、REDMODが特定の病院の撮像環境を記憶しただけではないという根拠を強める。
研究者らは、追加の2つの対照群でも特異度を検証した。539件のスキャンからなる多施設コホートでは81.3%、80件のスキャンからなる公開データセットでは87.5%に達した。
こうした検証は有用だが、前向き導入の代わりにはならない。後ろ向き研究の研究者は、どの患者が最終的にがんを発症したかをすでに把握しており、慎重に定義された比較群を構築できる。
実際の臨床キューはもっと複雑だ。患者には体動アーチファクト、変化した解剖学的構造、膵炎、嚢胞、過去の手術、不完全な病歴、そして多くの無関係な疾患を理由に撮影されたスキャンがある。
成功するシステムは、こうした症例を黙って見落とすことなく処理しなければならない。また、多忙な読影中にも臨床医が理解できる形で不確実性を伝える必要がある。
説明のない赤い警告は、自動化バイアスを招く。根拠となる画像領域と経時的な傾向情報を備えた較正済みのリスクスコアであれば、読影判断をより擁護しやすくなる。
縦断的な安定性も役立つ可能性がある。REDMODは、評価対象症例の90%から92%で、連続スキャンを通じて一貫した分類を示した。
一貫性は、アラートがランダムな画像ノイズではなく持続的なシグナルを表すことを示し得る。ただし、一貫した誤りも起こり得るため、安定性は生物学的真実の証明ではない。
REDMODの数値が証明していないこと
後ろ向きの検出成績は、REDMODが死亡を減らすこと、不必要な処置を回避すること、あるいは日常的なスクリーニングで安全に機能することの証拠ではまだない。
この研究で最大の不確実性は、臨床的有用性である。臨床的有用性とは、モデルの利用が、より良い患者転帰につながる形で医療を変えるかどうかを問う概念だ。
REDMODは、多くの将来のがん症例を対照群と正しく区別した。しかし研究者らは、患者をAI支援下の診療群と従来の診療群に無作為に割り付けてはいない。
その結果、この研究では、どれほど多くのがんがより早期に治療された可能性があるかを判断できない。また、早期介入がフラグを立てられた患者の生存率を改善するかどうかも示せない。
リードタイム・バイアスは、あらゆる早期検出の主張を複雑にする。がんを早く見つけると、患者の寿命を延ばさなくても、診断から死亡までの測定期間は長くなり得る。
したがって前向き試験では、疾患ステージ、切除適格性、治療、合併症、生活の質、がん特異的死亡率を検討する必要がある。検出時期だけでは不十分だ。
偽陽性の影響にも同等の注意が必要である。特異度81.1%では、試験環境の対照群のおよそ19%が、選択された閾値で陽性分類を受けた。
この割合を、集団スクリーニングでの結果に直接換算することはできない。研究が選択されたコホートを用いたためだ。それでも、後続プロトコルが重要である理由を示している。
膵臓の生検と手術は軽微な介入ではない。追加の画像検査でさえ、放射線被曝、偶発所見、費用、不安を伴う可能性がある。
NCIは、偽陽性、過剰診断、過剰治療、偽陰性を、潜在的なスクリーニングの害として挙げている。REDMODのワークフローは、各カテゴリーを測定しなければならない。
もう1つの不確実性は因果関係に関するものだ。ラジオミクスのパターンは、早期がんの生物学、炎症、代謝変化、加齢、スキャナの挙動、または複数の影響の組み合わせを反映している可能性がある。
この研究のウェーブレット解析は、組織に基づくシグナルを支持している。ただし、そのシグナルを生む生物学的プロセスが何であるかを完全には説明していない。
関連する懸念は、ラベル構築にある。診断前のすべてのスキャンは後にがんと診断された人のものだったため、分析は既知の結果から遡って行われた。
前向きシステムは、将来が未知の人々の中からがんをフラグしなければならない。この違いにより、後ろ向きの症例選択に隠れたバイアスが明らかになる可能性がある。
症例対照比も、実際の人口における発生率を大きく上回っている。特異度が安定していても、低リスクのスキャンを数百万件処理すれば、大量の偽アラートが発生し得る。
したがって導入は、リスクが高い集団から始めるべきである。新規発症の糖尿病、遺伝的素因、膵嚢胞、慢性膵炎、強い家族歴は、妥当な導入対象となる。
各集団ではベースラインリスクが異なる。ある集団に適した閾値が、別の集団では十分に機能しない可能性がある。
研究者は、患者集団全体で性能が公平に維持されるかも検証しなければならない。多施設での検証は、人口統計学的な公平性を自動的に保証するものではない。
CTプロトコルは、造影相、スライス厚、再構成法、スキャナのハードウェアによって異なり得る。こうした差異は、REDMODが依存するテクスチャ測定値を変え得る。
外部コホートでの特異度の結果は有望だが、感度については依然として広範な外部検証が必要である。施設間で偽陽性を抑えられるモデルでも、十分に代表されていない集団ではがんパターンを見逃す可能性がある。
規制上の位置付けとワークフロー統合も、追加の障壁となる。病院には、検証済みソフトウェア、品質管理、バージョン追跡、サイバーセキュリティ対策、見逃されたアラートに関する明確な責任体制が必要だ。
臨床医には、スコア上昇が何を意味するかについての指針も必要である。合意された対応がなければ、警告は有用な行動ではなく不確実性を生み出しかねない。
適切な結論は慎重なものだ。Mayo Clinicの膵がんAIは、後ろ向きCTスキャンで意味のあるシグナルを発見したが、集団スクリーニングプログラムを確立したわけではない。
REDMODが臨床導入に到達するかを決める3つのシグナル
前向きな性能、偽陽性の負担、患者転帰の変化が、REDMODが臨床ツールになるかどうかを左右する。
第1のシグナルは、前向き検証の結果である。Mayo Clinicは、Artificial Intelligence for Pancreatic Cancer Early Detectionの略称であるAI-PACEDを通じて、このアプローチを進めている。
この研究は、リスクが高い患者におけるAI誘導検出を評価するために設計されている。モデルのアラートが、日常的な画像診断、追跡、臨床判断とどのように相互作用するかを観察する。
前向き検証は、後ろ向き研究に利用可能な大きな利点を取り除く。研究者は、最終的にがん診断を受けた人を知ったうえで症例を選ぶことができない。
感度と特異度が後ろ向き研究の結果に近い水準を維持すれば、REDMODへの信頼は高まる。性能が大幅に低下すれば、導入を支持する根拠は弱まる。
第2のシグナルは、想定される各患者群におけるモデルの陽性的中率である。この数値は、どれだけのアラートが実際のがんに対応するかを示す。
研究者はこれを感度・特異度とともに報告すべきだ。また、検出されたがん1件あたりに発生した追加スキャン、専門医紹介、内視鏡的処置、生検、手術の件数も数えるべきである。
高リスク外来で許容できる偽陽性率でも、すべての腹部CTスキャンに適用すれば許容できない可能性がある。したがって導入に関する主張では、正確な対象集団と閾値を明示すべきだ。
第3のシグナルは、臨床的に意味のある転帰への変化である。診断時のより早いステージは有用だが、切除適格性の向上やがん特異的生存率の改善は、より強い証拠となる。
研究者は害も測定すべきである。不必要な介入を大幅に増やしながら早期がんを多く発見するだけでは、システムは臨床的成功を主張できない。
最も信頼できる導入経路は、限定的に始めることだ。病院は明確に定義された高リスク集団の既存スキャンを分析し、その後は前向きなエビデンスが新たな各集団を支持してから拡大できる。
REDMODは、より広範な検出スタックの中に位置付けられるべきでもある。臨床歴、血液バイオマーカー、糖尿病のパターン、遺伝学、画像診断は、単一のシグナルよりも組み合わせたほうが優れた働きをする可能性がある。
ツールを組み合わせることで、効率的な連鎖を作れる。低コストのリスクモデルで候補者を特定し、REDMODが既存のCT画像を解析し、標的を絞った処置で疑わしい所見を確認できる。
このアプローチは、REDMODの最大の強みを保つ。放射線科医に通常の視覚認識を下回るパターンを見せるよう求めることなく、すでに存在するスキャンからより多くの情報を抽出する。
同時に、モデルの現時点での限界も尊重する。REDMODが提供するのは臨床的文脈を必要とするリスク推定であり、確定診断ではない。
臨床医と医療AIチームにとって、次の問いは具体的である。前向き研究は、追跡の負担を許容可能な水準に保ちながら、REDMODの検出上の優位性を維持できるだろうか。
患者に対するメッセージにも、同様の慎重さが必要だ。AIのフラグは膵がんの証明ではなく、正常な結果でも膵がんを除外することはできない。
この研究は、日常的なCTデータに早期シグナルが含まれ得ることを示した。決定的な試験は、医療システムがそのシグナルをより安全な医療とより良い転帰に変えられるかどうかである。
