近い将来、放射線科医はAIを使って脳腫瘍を発見できるようになるだろう
最後に見直したもの： 02.07.2025
すべてのiLiveコンテンツは、可能な限り事実上の正確さを保証するために医学的にレビューまたは事実確認されています。
厳格な調達ガイドラインがあり、評判の良いメディアサイト、学術研究機関、そして可能であれば医学的に査読された研究のみにリンクしています。 かっこ内の数字（[1]、[2]など）は、これらの研究へのクリック可能なリンクです。
当社のコンテンツのいずれかが不正確、期限切れ、またはその他の疑問があると思われる場合は、それを選択してCtrl + Enterキーを押してください。
「Biology Methods and Protocols」誌に掲載された「脳腫瘍の検出と分類のためのディープラーニングと転移学習」と題された論文によると、科学者は人工知能（AI）モデルを訓練することで、脳腫瘍と健常組織を区別できるようになるという。AIモデルは既に、MRI画像における脳腫瘍の検出において、人間の放射線科医とほぼ同等の精度を実現している。
研究者たちは、AIを医療に応用する上で着実な進歩を遂げてきました。特に放射線科では、技師による医用画像の処理待ちによって患者の治療が遅れる可能性があるため、AIは有望視されています。畳み込みニューラルネットワークは、研究者が大量の画像セットを用いてAIモデルを学習させ、認識と分類を行うための強力なツールです。
このようにして、ネットワークは画像を区別することを「学習」することができます。また、「転移学習」の能力も備えています。科学者は、あるタスク用に訓練したモデルを、関連する新しいプロジェクトに再利用することができます。
カモフラージュした動物の検出と脳腫瘍の分類にはまったく異なる種類の画像が関係するが、研究者らは、自然のカモフラージュによって隠れている動物と、周囲の健康な組織に溶け込んでいる癌細胞の集団との間には類似点があると示唆した。
学習された一般化プロセス（異なるオブジェクトを単一の識別子の下にグループ化するプロセス）は、ネットワークが偽装されたオブジェクトをどのように検出するかを理解する上で重要です。このような学習は、腫瘍の検出に特に有用である可能性があります。
公開されている MRI データのこの回顧的研究で、研究者らは、ニューラル ネットワーク モデルを脳腫瘍データでトレーニングする方法を調査し、ネットワークの腫瘍検出スキルを向上させるために、隠れた動物を検出するための独自の転移学習ステップを導入しました。
研究者らは、公開されているオンラインの癌データソースからのMRIと健康な脳のコントロール画像（Kaggle、NIH Cancer Image Archive、ボストンのVA Health Systemなど）を使用して、健康なMRIと癌のMRIを区別し、癌の影響を受けた領域と癌の典型的な外観（癌の腫瘍タイプ）を特定できるようにネットワークをトレーニングしました。
研究者たちは、これらのネットワークが正常な脳画像を1つか2つの偽陰性画像のみでほぼ完璧に識別し、がん性脳と健常脳を区別できることを発見しました。最初のネットワークは脳がんの検出において平均85.99%の精度を示しましたが、2番目のネットワークは83.85%の精度でした。
ネットワークの重要な特徴は、その決定を複数の方法で説明できることです。これにより、医療専門家や患者からのモデルへの信頼が高まります。ディープラーニングモデルは透明性が十分でないことが多く、この分野が成熟するにつれて、ネットワークの決定を説明する能力が重要になります。
この研究のおかげで、ネットワークは腫瘍の分類において特定の領域を陽性または陰性として示す画像を生成できるようになりました。これにより、放射線科医は自身の判断をネットワークの結果と照らし合わせることができ、まるでMRI画像上で腫瘍を示す領域を指し示すもう一人の「ロボット」放射線科医が近くにいるかのように、信頼性を高めることができます。
研究者たちは、将来的には、AI が臨床現場で透明なサポート役を果たせるよう、直感的に判断を記述できるディープ ネットワーク モデルの作成に重点を置くことが重要だと考えています。
ネットワークは全ての症例において脳腫瘍の種類を区別するのに困難を伴いましたが、ネットワーク内でのデータの表現方法には本質的な違いがあることは明らかでした。ネットワークがカモフラージュを認識するように学習されるにつれて、精度と明瞭性が向上しました。転移学習によって精度が向上しました。
テストされた最良のモデルは標準的な人間検出よりも6%精度が低かったものの、この研究はこの学習パラダイムによって達成された定量的な改善を実証することに成功しました。研究者たちは、このパラダイムと説明可能性手法の包括的な適用を組み合わせることで、将来の臨床AI研究に必要な透明性をもたらすと考えています。
「AIの進歩により、パターンをより正確に検出し認識することが可能になる」と論文の筆頭著者であるアラシュ・ヤズダンバフシュ氏は述べた。
これにより、画像ベースの診断とスクリーニングが改善される一方で、AIがどのようにタスクを実行するかについてのより詳細な説明も必要になります。AIの説明可能性の推進は、人間とAIの相互作用全般を改善します。これは特に、医療専門家と医療目的で設計されたAIの間で重要です。
「明確で説明可能なモデルは、診断の補助、病気の進行の追跡、治療の監視に適しています。」