AIが1秒でマンモグラム解析、乳腺密度から乳がんリスクを検出

• 新しいディープラーニングモデルがマンモグラムの乳腺組織を解析し、密度評価を高精度で推定
• これらの評価は乳がんの独立したリスク因子
• モデルは1枚のマンモグラムを1秒未満で処理し、病院全体へ容易に展開可能

米国では、乳がんの死亡率は肺がん（女性）に次いで他のどのがんよりも高くなっています。breastcancer.orgによると、米国の女性の約12.4%が生涯で浸潤性乳がんを発症します。

マンモグラフィは、低出力X線を用いてヒトの乳房をスクリーニング・診断する手法です。しかし、高密度組織はマンモグラム上でがんを隠してしまうため、このプロセスを困難にします。通常、乳腺密度の評価は主観的な人間の判断に依存しており、複数の要因により放射線科医間で結果にばらつきが生じます。

マサチューセッツ総合病院（MGH）とMITの研究者たちが、マンモグラムの高密度乳腺組織を正確に解析する自動化ツールを開発しました。これは、数万枚の高精細デジタルマンモグラムで訓練されたディープラーニングモデルであり、さまざまな種類の乳腺組織を区別する方法を学習します。

新しいマンモグラム画像が与えられると、ツールは専門の放射線科医と同等に信頼できる密度測定値を検出できます。著者らによると、これは病院で患者に対して実証された初めての同種AIであり、全国的に広く導入可能で、乳腺組織評価により高い信頼性をもたらすと考えています。

訓練

このツールは、学習可能な重みとバイアスを持つニューロンで構成される畳み込みニューラルネットワークに基づいています。58,000枚以上のマンモグラム画像を含む豊富なデータセットでネットワークを訓練・テストしました。これらは2009〜2011年にスクリーニングを受けた39,000人の女性からランダムに抽出されたものです。約41,000枚を訓練用、8,600枚をテスト用に使用しました。

各画像には、標準的なBI-RADS（乳房画像レポート・データシステム）密度評価が4群で含まれています：

1. 不均一（ほぼ高密度）
2. 散在性密度
3. 高密度
4. 脂肪性

訓練およびテストフェーズでは、約40%が高密度および不均一と評価されました。訓練フェーズでは、ネットワークにランダムなマンモグラム画像を評価用に供給し、専門家の密度評価と密接に一致するようにマンモグラムをマッピングすることを徐々に学習させました。

たとえば、脂肪性乳腺組織のネットワークは全体に灰色領域を持つ薄いネットワークに見えるのに対し、高密度乳房は線維性および腺性結合組織で構成され、密に詰まった固い白い斑点と太い白い線のネットワークとして現れます。テストフェーズでは、ネットワークは新しいマンモグラム画像を見て、最も可能性の高い密度群を推定します。

参照: RSNA Radiology | doi:10.1148/radiol.2018180694 | MIT

このツールはMGHの乳房画像部門で実装され、独立したマシンにインストールされました。通常、マンモグラムが生成され、評価のために施設へ送られ、専門の放射線科医が実施します。必要な調査のすべて完了後、各マンモグラムに密度評価を割り当てます。

専門家が施設でスキャンを呼び出すと、このディープラーニングツールが割り当てた評価が表示され、それをさらに承認または却下できます。

結果

ネットワークは1枚のマンモグラムを1秒未満で処理し、多額の費用や大量の人手をかけずに市内の病院全体へ展開可能です。

放射線科医の評価 vs ディープラーニング（DL）評価（二値テスト） | 研究者提供

1月〜5月（2018年）の間、ネットワークは10,000枚以上のマンモグラム画像を観察し、二値テスト（乳房が高密度/不均一か、散在性/脂肪性かを判定）で専門家間で94%の一致を達成しました。全4 BI-RADS群では、専門家の意見と90%の一致率でした。

放射線科医の評価 vs ディープラーニング（DL）評価（4 BI-RADS群） | 研究者提供

一般的なテスト（訓練データセットベース）では、ネットワークは二値テストで放射線科医の解釈と87%、4 BI-RADS群で77%一致しました。

従来の予測手法ではカッパ係数という指標を使用します。1は推定が常に一致することを示し、低い値は一致ケースが少ないことを示します。既存手法ではカッパ係数が最大0.6ですが、新モデルでは臨床応用で0.85、一般テストで0.76に達しました。これは新ツールが従来技術より優れた推定を行うことを明確に示しています。