Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

毎年、世界中で数百万人もの女性が早期乳がんの診断を受けています。この段階では、病変は乳房や近くのリンパ節を超えて広がっていないため、幅広い治療の選択肢が開かれています。医師は、患者が手術のみを必要とするのか、あるいは放射線療法、化学療法、またはホルモン療法も必要とするのかを判断しなければなりません。これらの困難な選択を行うために、臨床医は、診断から5年後の生存確率を推定する数学的モデルである「予後予測ツール」に頼っています。これらの推定値は、医師と患者が、積極的な治療のメリットと副作用のリスクを天秤にかける際の助けとなります。数十年にわたり、最も身近なツールは、腫瘍の大きさ、患者の年齢、顕微鏡下での癌細胞の見え方といった、標準的な臨床情報に基づいています。より高価で新しい遺伝子検査も存在しますが、シンプルで古いツールは、広く利用可能で手頃な価格であるため、依然として重要です。しかし、これらの伝統的なツールは特定の集団のデータに基づいて構築されているため、異なる集団に適用しようとしたり、情報が欠落していたりする場合に苦戦することがあります。

最近のある研究で、研究者たちは現代のコンピュータサイエンスが、これらの古典的なツールに新たな命を吹き込むことができるかどうかを検証しました。彼らは特定の課題に焦点を当てました。それは、実証済みの生存モデルを、システム全体をゼロから再構築することなく、いかにして新しい患者グループに適応させるかという課題です。また、新しいタイプのコンピュータアルゴリズムである「機械学習」が、患者の記録から直接学習して、より優れた予測を行えるかどうかについても探求しました。チームは、3つの異なるアプローチを比較しました。単に古いモデルをそのまま使う方法、新しいデータに適合するように古いモデルを微調整する方法、そして完全に新しいコンピュータプログラムをゼロから訓練する方法です。彼らの目標は、どの手法が、特に医療詳細が記録から欠落している場合において、早期乳がんの女性に対して最も正確で信頼できる生存推定値を提供できるかを確認することでした。

研究者たちは、MA.27と呼ばれる大規模な臨床試験から研究を開始しました。この試験では、ホルモン陽性の乳がんを持つ閉経後の女性数千人を追跡しています。彼らは、癌が再発せずに5年間生存する確率を予測したいと考えました。まず、彼らはイギリスのデータで訓練されたPREDICTと呼ばれる有名なツールをテストしました。このツールをMA.27試験に参加したアメリカおよびカナダの女性に適用したところ、機能はしましたが、完璧ではありませんでした。このツールは、特定の詳細（例えば、陽性リンパ節の正確な数や腫瘍の正確なサイズなど）を必要とするため、試験データの記録形式が異なっていたり、情報が欠落していたりしたために、患者の約4分の1に対して予測を提供できませんでした。予測が可能であった患者に対しても、このツールは推定値がわずかにずれる傾向があり、生存する女性の数を過小評価することがよくありました。

これを修正するために、チームは「転移学習」と呼ばれる手法を試みました。バイオリンを習得した音楽家が、その後ビオラを学ぶ場面を想像してみてください。彼らはゼロから始めるのではなく、既存のスキルを新しい楽器に適応させます。同様に、研究者たちは、事前に訓練されたPREDICTモデルを取り上げ、その内部設定をMA.27のデータに見られる特定のパターンに一致するように「微調整（ファインチューニング）」しました。このプロセスにより、モデルのパラメータが新しいグループに適合するように調整され、予測の精度が劇的に向上しました。しかし、元のツールと同様に、微調整されたモデルも、特定のデータポイントが欠落している患者の約24%に対しては生存推定を提供できない状態のままでした。なぜなら、そのモデルは欠落した記録に含まれる特定のデータ点に依然として依存していたからです。対照的に、新しい機械学習モデルは、情報の欠落に関わらず、すべての個人に対して生存を予測することができました。

チームはまた、MA.27のデータを使用して、ゼロから新しいコンピュータモデルを訓練しました。複雑なデータからパターンを見つけ出すことに長けた手法を用いて構築されたこれらのモデルは、古いイギリスベースのルールには依存していません。代わりに、彼らはアメリカおよびカナダの患者から直接学習しました。これらの新しいモデルのうちの一つは、微調整されたバージョンと同等の性能を示し、もう一つは異なる強みを示しました。決定的なのは、これらの新しいモデルは、情報を自然に扱うことができる点です。単一のデータが欠けているだけで動作が停止してしまう元のツールとは異なり、新しいコンピュータプログラムは、利用可能な情報を用いて予測を行うことができました。これは、患者の記録が不完全であることが多い現実の医療現場において、大きな利点となります。

最後に、研究者たちはこれらすべての強みを一つの「アンサンブル」モデルへと統合しました。このシステムは、微調整されたツールと新しいコンピュータモデルからの予測を取り込み、それらを融合させて最終的な統一された推定値を作成します。この組み合わせたアプローチは堅牢であり、微調整されたモデルの信頼性と、新しいアルゴリズムの柔軟性を兼ね備えていることが証明されました。チームがこれらの改良されたモデルを別の患者グループ（別の臨床試験）でテストしたところ、結果はまちまちでした。改良点は、米国からの大規模なデータセットに対しては有効であり、モデルが類似の集団に一般化できることが確認されました。しかし、ヨーロッパやアジアの患者を含む多国籍の試験でテストした際、改良の効果は不明瞭であり、その特定のコホートにおいては、元の事前訓練済みモデルの方が適応されたバージョンよりも優れた性能を示しました。これは、モデルが非常に異なる患者グループに対しては、依然として慎重に適応させる必要があることを示唆しています。

本研究は、伝統的なツールは価値があるものの、現代的な技術によって大幅に強化できると結論付けています。既存のモデルを微調整したり、ローカルデータに基づいて新しいモデルを訓練したりすることで、医師は患者の記録が不完全であっても、より正確な生存推定を得ることができます。この研究は、患者の年齢、影響を受けたリンパ節の数、腫瘍のグレード、および腫瘍のサイズが、生存を予測する上で最も重要な要因であることを浮き彫りにしました。この発見は、すべての異なるモデルにおいて共通していました。結局のところ、この研究は、患者ケアを向上させるために確立されたツールを放棄する必要はないことを示唆しています。むしろ、スマートなコンピュータ手法を用いてこれらのツールを新しい状況に適応させることで、乳がんに直面している女性に対して、よりパーソナライズされた信頼できるガイダンスを提供し、最適な情報に基づいた治療決定が行われるようにすることができるのです。