コンピュータ・ビジョンが癌の発見と治療を進歩させる

コンピュータ・ビジョンは、画像や映像から視覚データを理解・解釈するアルゴリズムを可能にする人工知能の一分野である。がん研究においては、病理スライド、顕微鏡サンプル、医療スキャンからの複雑な視覚情報を分析するために使用されることが多くなっている。これらのツールは、長いワークフローを合理化し、リソース不足のチームが目的を達成し、最終的に患者ケアを改善するための力を与えることができる。

腫瘍ドライバーの理解を深める

生検に基づくがん診断後、病理医はしばしばRNAシーケンスを実施し、腫瘍増殖の原因となるゲノム変化を明らかにします。この知識は、研究と個別化治療の両方に不可欠である。しかし、現在の方法ではコストが高く、スピードも遅いため、より効率的な代替法を探す必要がある。

これに対処するため、ある研究チームは、標準的な生検顕微鏡画像から腫瘍細胞内の遺伝子活動を直接予測するAIツールを開発した。研究チームは、16のがん種にまたがる7,500以上のサンプルからなる膨大なデータセットと、比較のための健康な細胞の画像でモデルを訓練した。

研究チームは、わかりやすく実用的なツールを設計した。このツールは生検の視覚的マップを作成し、予測される遺伝子活性パターンを強調表示する。これにより、研究者は腫瘍内の空間的変化をピンポイントで特定することができる。一般的な細胞染色技術を用いて、AIは染色画像から15,000以上の遺伝子の発現パターンを同定することに成功した。

その結果、AIの遺伝子活性予測と実際の測定値との間に80％以上の相関関係があることが示された。このモデルの精度は、特定のがん種に特化したより大規模なデータセットで訓練すると、概して向上した。

さらなる実験により、このアルゴリズムが乳がん患者のゲノムリスクスコアを評価できる可能性が示された。リスクが高いと特定された患者は、再発の頻度が高く、再発も早かった。

AIは、COVID-19を最大99％の精度で検出するシステムなど、目覚ましい医学的ブレークスルーを可能にし続けている。このようなツールは強力ではあるが、専門知識を補強するものであって、それに取って代わるものではない。AIだけに頼れば、患者の転帰を危うくしかねない。

最適な治療法をピンポイントで見つける

がん患者は、しばしば大きなストレスや、特定の状態に最適に有効でない可能性のある治療による副作用に耐えている。吐き気などの副作用は我慢できても、初期の結果が思わしくない場合、患者の治療継続意欲は低下する。

最良の個別化治療をより早く特定することは、すべての人に利益をもたらす。標準的な治療計画では、CTスキャンやMRIスキャンを分析し、各ピクセルがグレースケールで表示される1つのデータポイントを保持する。AIはより詳細なビューを提供する。ある先進的なツールは、1ピクセルあたり最大30,000の特徴を分析し、人間の髪の毛5本分の幅である400平方マイクロメートルの組織サンプルを評価することができる。

寄贈されたサンプルを使って、このツールはその価値を実証した。膀胱がんでは、三次リンパ系構造を形成する特殊な細胞群を同定した。胃癌のサンプルでは、癌細胞と健康な組織粘膜を正確に区別し、臨床医が癌の広がりをよりよく評価するのに役立った。

研究者らは、この技術によって腫瘍医がさまざまな癌に対して最も効果的な治療法を選択できるようになると考えている。また、標準的な診断画像から豊富なデータを抽出することで、研究を加速させる可能性もある。

医薬品開発の加速

新しいがん治療薬を市場に送り出すには、臨床試験の成功に大きく依存する何年もかかるプロセスである。ロンドンを拠点とするチームは最近、薬剤が細胞の標的にどれだけ効果的に到達するかを評価するAI手法を開発した。最も有望な候補に焦点を当てることで、治療成績が向上し、規制当局の承認が早まる可能性がある。

研究チームは、幾何学的ディープラーニングを用いて、約10万枚のメラノーマ細胞画像の3D形状を解析した。これまでのスライド上の細胞の2D解析とは異なり、この方法はよりリアルな状態の細胞を研究する。治療によって細胞の形状がどのように変化するかを捉え、細胞集団間のばらつきを明らかにする。

このツールは、特定の薬剤の効果を99％以上の精度で検出した。また、異なるタンパク質を標的とする薬剤による形状の変化も特定することができた。

生化学的変化を明らかにすることで、AIは新たながん治療薬の有望なターゲットを浮き彫りにすることができる。この技術革新により、前臨床試験段階を3年から3ヶ月に短縮し、臨床試験を最大6年短縮できる可能性がある。この技術革新は、恩恵を受ける可能性が最も高い患者を特定し、副作用をより迅速に理解するのに役立つだろう。

がん分析ワークフローの簡素化

AIはがん研究の多くの側面を強化しているが、ほとんどのツールは単一のタスクに焦点を当てている。そのため、医療関係者は複数のシステムを学習しなければならない。使い勝手を向上させるため、包括的で多目的のソリューションを開発しているチームもある。

あるグループは、19のがん種にまたがる評価タスクを処理できるほど汎用性の高いChatGPTのようなモデルを構築した。これは発見、予後評価、治療反応モニタリングのプロセスを加速する。開発者らは、国際的な多様な患者グループの転帰を予測し、検証することに成功した最初のモデルであると主張している。

このAIは、腫瘍サンプルのデジタルスライドを分析し、分子プロファイルを調べ、がん細胞を特定する。また、治療効果を示す腫瘍周囲の組織も評価する。テストでは、既存のツールよりも正確であることが証明された。特筆すべきは、特定の腫瘍の特徴を患者の生存率向上に結びつけた最初の例であり、新たな研究の道を開く可能性がある。

このモデルは、まず1500万枚のラベルなし画像でトレーニングされ、関心領域ごとにセグメント化された。その後、19種類の癌の6万枚の全スライド画像を用いて改良され、包括的な画像解析ができるようになった。

このツールは、24の患者コホートと病院を代表する32の独立したグローバルデータセットから得られた19,400枚の全スライド画像で厳密にテストされた。これにより、実臨床における堅牢性が保証された。

バイオメディカルイメージングからの知見の最大化

生物医学的顕微鏡検査は癌研究に不可欠であるが、これらの画像を分析するには何日もかかることがある。研究チームは、このプロセスを合理化するために、新しいコンピューター・ビジョン技術を開発した。この技術は、機械学習を用いてサンプルを分析し、癌腫瘍に共通する特徴を明らかにするものである。

このツールは、腫瘍の複数の領域を同時に検査し、それらを統合的に分析することで効率化を実現している。他の方法では、大きな腫瘍画像を小さなパッチに分割し、別々に分析する。これらの画像には10億画素ものピクセルが含まれることがあるため、標準的な方法では非常に時間がかかる。

開発者たちは、臨床医が腫瘍画像からほぼ瞬時に診断を下せるようになる未来を思い描いている。この情報は手術中にリアルタイムで外科医に伝えられ、最新のデータに基づいた判断が可能になる。

主要なベースライン技術と比較して、この新しいツールは4％近く性能が向上し、いくつかのテストでは88％近い精度を達成した。研究者らは、どのような腫瘍のタイプや顕微鏡検査法にも使用できるため、その応用範囲の広さを強調している。

コンピュータビジョンでがん研究を前進させる

AIを搭載したコンピュータ・ビジョンは、がん研究のインパクトを高め、科学的発見と患者の転帰の両方を向上させる大きな可能性を秘めている。上記の例は、その多様な応用例を示している。専門家は、人間の判断に代わる絶対的なものとしてではなく、苦労して獲得した専門知識を補完し、拡張するためにこれらの技術を統合すべきである。