AI for Mycetoma Diagnosis in Histopathological Images: The MICCAI 2024 Challenge

人間の体を、活気ある都市として想像してみてください。そこでは、細菌や真菌といった小さな侵入者が、壊れた窓（皮膚の小さな傷）から忍び込もうとしています。通常、私たちの免疫システムは、警戒心の強い警察隊のように機能し、彼らを見つけ出して阻止します。しかし、時としてこれらの侵入者は、長期間にわたって居座り、建物を破壊するような執拗なキャンプを設営することがあります（骨や組織）。これが「マイセトーマ（菌腫）」と呼ばれる病気です。これは、医師が何が起きているのかを見るための高度な道具を持っていない場所で頻発する、巧妙なトラブルメーカーです。診断を下すために、医師は顕微鏡下で感染した組織の極めて薄い切片を観察し、「グレイン（粒状体）」と呼ばれる侵入者の小さな塊を探さなければなりません。問題は、これらのグレインを見つけ出し、それが正確にどのような種類の敵（細菌なのか真菌なのか）であるかを突き止めることが、霧がかかった眼鏡をかけながら、大量の干し草の中から特定の種類の針を見つけ出すことくらい難しいという点です。これには高度な訓練を受けた専門家が必要ですが、その専門家たちは、この病気が最も多く発生している場所では不足していることが多いのです。

ここで人工知能（AI）が登場します。AIは、決して疲れることのない「超強力なメガネ」として機能します。研究者たちが抱いてきた大きな疑問はこうです。「コンピュータに顕微鏡写真を見せ、悪い塊を見つけ出し、さらにそれが正確にどのような種類の病原体であるかを判別するように教え込むことはできるだろうか？」もしコンピュータがこれを実行できれば、遠隔地に住む人々にとって、画面越しに「バーチャルな専門家」へのアクセスを可能にするゲームチェンジャーとなるでしょう。

顕微鏡のグランドスロープ：目に見えない侵入者を特定するコンピュータへの教育

2024年、科学者グループはあるハイステークスなレース、「mAIcetomaチャレンジ」を開催しました。これは、大規模な国際的ビデオゲームのトーナメントのようなものだと考えてください。ただし、参加するのは車をレースさせたりドラゴンと戦ったりするチームではなく、最高のAI探偵を作り上げるために競い合う、コンピュータプログラマーとデータサイエンティストのチームです。彼らの使命は何でしょうか？それは、組織の切片の豪華で色彩豊かな写真（病理組織画像）を見て、まず第一に病気の「グレイン」を見つけ出し、第二に、そのグレインが細菌によるものか真菌によるものかを判断できるアルゴリズムを作成することでした。

主催者は、チームに対して「MyData」と呼ばれる巨大で標準化されたフォトアルバムを配布しました。このアルバムには、127人の異なる患者から採取された766枚の写真が含まれていました。公平な勝負にするため、アルバムは練習セット（学習用）、クイズセット（検証用）、そして最終試験（テスト用）の3つのパートに分割されました。チームは練習セットを使ってAIモデルを学習させ、その後、答えを盗み見ることなく最終試験をこなせることを証明しなければなりませんでした。

コンテスタントとその超能力

5つのチームが決勝に進出し、それぞれがスーパーヒーローのチームアップのように、異なる戦略を持ち込みました。

• **チーム・エイドリアン（Team Adrian）**は、細心の注意を払う司書のように振る舞いました。彼らはAIに教える前に、重複した写真を削除したり、乱れたラベルを修正したりして、何時間もかけてフォトアルバムのクリーニングを行いました。彼らは、「もし学生に整理された綺麗な教科書を与えれば、学習効率は上がる」と考えていたのです。彼らは「専門家のチーム」によるアプローチ（アンサンブル学習）を採用しました。これは、5つの異なるAIモデルが回答を投票し、多数決で決定するという手法です。
• **チーム・マカロン（Team Macaroon）**は、2段階の機械を構築しました。まず、彼らのAIはスポットライトのように機能し、グレインが隠れている特定の領域だけに光を当てます（セグメンテーション）。次に、2番目のAIがそのスポットライトが当たった領域「だけ」を見て、それがどのような種類の病原体であるかを判断します。彼らは、乱雑な全体像を見ながら病原体の種類を推測しようとすることは、注意が散漫になりすぎると考えたのです。
• **チーム・ミニオンズ（Team Minions）**は、「ハイブリッド」なアプローチを試みました。彼らは、グレインを見つけることと病原体の種類を推測することを同時に学習するシステムを構築しました。彼らはさらに、グレインの形状や色に関する数学的な記述である「手作りの手がかり（ハンドクラフト・ヒント）」をAIに与えることで、これらの追加のヒントが助けになることを期待しました。
• **チーム・タイガー（Team Tiger）**は、「拡大鏡」戦略を用いました。彼らのAIには特殊な「アテンション・メカニズム（注目機構）」があり、これにより画像の退屈な背景を無視して、最も重要な部分に集中することができます。彼らはまた、「クロス知識蒸留（Cross Knowledge Distillation）」と呼ばれるテクニックを使用しました。これは、3つの異なるAIのパーツが互いに教え合い、答えに同意するようにすることで、システム全体をより賢くするというものです。
• **チーム・VSI（Team VSI）**は、「プラグアンドプレイ」のアプローチを取りました。彼らは、あらかじめ用意された自己構成型のAIツール（nnU-Net）を使用しました。これは、ロボットによって仕立てられたスーツのように、データに合わせて自動的に調整されるものです。彼らは、検出されたグレインの輪郭を鮮明にするための、最後の仕上げのステップを追加しました。

結果：レースの勝者は誰か？

最終スコアが集計されたとき、その結果は素晴らしいものでした。5つのチームすべてが驚異的な精度でグレインを見つけ出し、加重スケールで91%以上のスコアを記録しました。結局のところ、小さな塊を見つけることは、どのような特定の戦略を使おうとも、現代のAIが得意とする分野であることが分かりました。

しかし、2番目のタスク、つまり細菌性と真菌性の違いを見分けることは、はるかに困難でした。ここでは、スコアに大きな差が出ました。チーム・エイドリアンが両方のカテゴリーでトップに立ち、グレインの検出で93.56%、分類において96.14%の加重スコアを達成しました。チーム・マカロンが僅差で2位に入りました。

最も驚くべき発見は、誰が勝ったかだけでなく、「どのように勝ったか」でした。論文は、あらゆるものに打ち勝つ単一の「完璧な」AIアーキテクチャは存在しないことを示唆しています。代わりに、成功の鍵は、データの丁寧なクリーニング、画像の正しい部分に焦点を当てるスマートな戦略、そして時にはAIモデルのチームによる投票といった要素の組み合わせにありました。興味深いことに、チーム・ミニオンズは、グレインの形状に関する「手作りの手がかり」を追加しても、AIの性能が写真のみから学習する場合よりも向上しないことを発見しました。これは、データさえ良ければ、AIは自力で重要な詳細を理解できるほど賢いということを示唆しています。

これが未来に意味すること

論文は、AIがマイセトーマの診断を支援する準備ができていることを結論づけています。特に、専門の病理医を見つけるのが難しい場所において、AIは非常に有用です。今回のチャレンジは、これらの疾患を特定する信頼できるツールを構築できることを証明しました。しかし、著者らは、これはまだ始まりに過ぎないことも慎重に付け加えています。現在のAIモデルは特定の画像セットで学習されており、世界中のあらゆる病院で使用できるようになる前に、異なる種類の画像や染色法を用いたさらなる練習が必要になる可能性があります。

大きな教訓は、テクノロジーが強力であっても、その「秘伝のソース」は単なる派手なコンピュータプログラムではなく、データの質と、それを準備する際の手間にこそあるということです。優れた料理を作るためにシェフが新鮮な食材を必要とするように、AIが優れた診断を下すためには、清潔で整理されたデータが必要なのです。このチャレンジは新たなベンチマークを確立し、人間と機械の適切なチームワークがあれば、最も執拗な「顧みられない疾患」にも立ち向かえることを世界に示しました。