全国22病院の腎生検画像を用い多施設で活用可能な腎病理AI診断支援システムを開発 大阪大学
大阪大学の研究グループが、全国22病院の腎生検画像を用いた大規模多施設AI研究により、病院や検査装置が異なっても高精度に病変を検出できるAIモデルの開発に成功したと発表した。異なる病院間でAIモデルを共有・活用できる基盤技術としての可能性を示したとしている。
多施設の腎生検画像＋複数アルゴリズムの応用でAI開発
研究成果を発表したのは、大阪大学大学院医学系研究科の松井功講師、猪阪善隆教授、大阪大学医学部附属病院の松本あゆみ医員らの研究グループ※1。腎臓病の正確な診断には腎生検で採取した組織を顕微鏡で詳しく観察する病理診断が不可欠だが、専門的な知識を持つ腎病理医が不足しており、診断の標準化や効率化が課題となっている。
近年、AI を用いた画像診断支援システムの開発が進められているが、AIモデルの開発に必須となるアノテーション(病変の位置情報の記録)が大きく、また、病院ごとに病理検体の処理方法が異なることで、ある病院で開発したAIモデルが他の病院では性能が低下する「ドメインシフト」という問題が指摘されている。研究グループはこの課題を克服しうる新たな手法でAIモデルの開発を試みたという。
具体的にはまず、日本腎臓学会のAI, ICT基盤構築小委員会を通じて全国22病院から腎生検画像を収集し、3種類の異なるスキャナーで撮影された画像を含む大規模データセットを構築した。そのうえで、以下のステップで腎生検画像を処理し、モデル開発を行なった。
（１）高速な物体検出AI「YOLOv8※2」を基本モデルとして採用
（２）半教師あり学習※3：少量のアノテーション付きデータで学習した基本モデルを使って、大量のアノテーションなしデータに対して自動的にラベルを付与(擬似ラベリング)し、それらを組み合わせて再学習することで、モデルの性能を大幅に向上
（３）Residual-CycleGANによるドメイン適応： 病理画像の構造を正確に維持しつつ病院間の画質の違いを補正するため、画風などを変換する技術として知られる「CycleGAN※3」を応用し、新たにより構造を正確に保持するよう工夫した「Residual-ＣycleGAN」を構築
こうしたステップで開発したAIモデル「GAN-Semi-Supervised YOLO」は、基本モデルと比較して、多くの病院・スキャナーの組み合わせで統計的に有意な性能向上を示したという。特に、開発に使用した病院と異なるスキャナーを使用している病院のデータでも、高い精度を維持できることが確認されたとしている（図１）。
研究グループではこの成果について、腎臓病診断の標準化と医療格差の解消、医療AI開発の効率化、ドメインシフト問題の解決による多施設共同研究の促進、および開発された技術を基盤とした他疾患への応用可能性が期待できるとしている。
※1 本研究には以下の施設も共同研究施設として名を連ねている。
愛知医科大学、医学研究所北野病院、愛媛大学、大阪急性期・総合医療センター、大阪労災病院、大津赤十字病院、香川大学、金沢医科大学、川崎医科大学、関西労災病院、九州大学、京都大学、近畿大学、久留米大学、国立病院機構大阪南医療センター、国立病院機構千葉東病院、市立豊中病院、市立東大阪医療センター、順天堂大学、東海大学、東京大学、名古屋大学、奈良県立医科大学、新潟大学、日本医科大学、広島大学、兵庫医科大学、兵庫県立西宮病院、藤田医科大学、和歌山県立医科大学、JCHO 大阪病院 （５０音順）
※2 YOLOv8
「You Only Look Once」の略で、画像内の物体を高速かつ高精度に検出する深層学習アルゴリズム。
※3 半教師あり学習
少量のラベル付きデータ(アノテーション済みデータ)と大量のラベルなしデータを組み合わせて学習する機械学習の手法。専門家によるアノテーション作業の負担を軽減しながら、高精度なモデルを構築できる。
※4 CycleGAN
異なるドメインの画像を相互に変換する深層学習技術。本研究では、異なる病院に由来する病理画像の見た目の違いを補正するために使用。ペアとなる対応画像がなくても学習できるのが特徴。