Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports
本論文では、縦断的な病理報告書とがん種埋め込みを活用することで、最先端のがんグレード予測を実現し、性能を低下させることなく未知のがん種への効果的なゼロショット転移学習を実証する、2レベル構造のHierarchical Temporal Transformer (HTT) を提案する。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
病院は絶え間ない書かれた記録のストリームを生み出しています。患者が医師を訪れる際、医師は目にしたもの、疑っていること、そして前回の受診から患者の状態がどのように変化したかを書き留めます。数十年にわたり、コンピュータはこれらのメモを医師の意思決定に役立つ方法で読み取ることに苦戦してきました。ほとんどの医療テキストを分析するコンピュータプログラムは、あらゆるメモを単一の、孤立したイベントとして扱います。それらは一つの報告書を読み、推測を行い、そしてそれまでの物語を完全に忘れて次の報告書へと進んでしまいます。このアプローチは、人間の経験における極めて重要な部分、すなわち「時間」を見落としています。患者の健康はスナップショットではなく、ジャーニー（旅路）なのです。今日の小さな変化を示すスキャン結果は、もし患者が2年前に安定したスキャン結果を持っていた場合と、先週急速な成長を示していた場合では、全く異なる意味を持ちます。さらに、ほとんどのコンピュータモデルは、特定の種類の癌のみを理解するように訓練されています。肺癌の報告書を読むように作られたプログラムは、甲状腺癌に関する報告書を渡されると失敗することが多く、その結果、病院は数十の別々の高価なシステムを構築し、維持することを余儀なくされています。
研究チームは、これら両方の問題を同時に解決しようと試みました。彼らは、患者の受診の全履歴を読み取り、診察の間にある実際の数日や数ヶ月に注意を払うように設計された新しいコンピュータシステムを開発しました。また、このシステムが癌の重症度に関する一般的な言語を十分に学習し、見たことがない種類の癌をも理解できるかどうかを確認したいと考えました。これをテストするために、彼らは二部構成の実験を作成しました。第一に、コンピュータが正しい答えを出すためにタイムラインを使用しなければならないよう、ストーリーを正確に制御できる医療報告書のシミュレーション世界を構築しました。第二に、公開データベースから数千件の実際の病理報告書をシステムに投入し、訓練時には完全に隠されていた癌の種類における腫瘍の重症度を判断させました。
彼らが構築したシステムは、人間がファイルを読むのと同様に、2つの明確な段階を経て機能します。第一段階は、個々の報告書を読み、その言葉を、その特定の受診が何を意味したかという密度の高い要約へと変換します。第二段階は、単一の患者に関するこれらの要約のシーケンス（連続）を観察します。それは単に報告書の順序を見るだけでなく、報告書間の実際の経過時間を測定します。もし患者が手術の3週間後にスキャンを受け、その6ヶ月後に別のスキャンを受けた場合、システムはその2番目のイベントが、わずか1週間の間隔であった場合よりも、はるかに遠く、かつ重要であることを理解します。これにより、コンピュータは直近のメモだけでなく、疾患の歴史を重み付けして考えることができます。異なる種類の癌に対処するために、システムは各疾患ファミリーに対して特別なマーカーを使用し、言葉は変わるかもしれないが、「攻撃的」または「軽度」という根本的な概念は異なる臓器間でも同様であるということを学習させます。
研究者がこのシステムをシミュレーションデータでテストした際、結果は明白でした。タイムラインと受診間の時間間隔を読み取ることができるコンピュータは、最新の報告書のみを見たコンピュータよりも、疾患の進行を予測する能力が有意に高かったのです。システムが未知の癌のタイプに対して予測を行わなければならなかった特定のテストにおいて、タイムラインを考慮したシステムははるかに正確でした。それは、他の癌から学んだ成長のパターンを、新しい癌に適用することに成功しました。これは、時間の経過と歴史を追跡する能力が、単なるデータの特徴ではなく、真の優位性であることを示唆していました。
研究の第二部は、シミュレーションから現実へと移行し、14種類の異なる癌の患者による数千件の実際の病理報告書を使用しました。研究者は11種類の癌についてシステムを訓練し、残りの3種類（甲状腺癌、肉腫、および特定の種類の肺癌を含む）の報告書を完全に隔離しました。そして、システムに対し、これら未知の癌の腫瘍グレード（癌の攻撃性の指標）を予測させました。結果は驚くべきものでした。システムは、訓練された癌と同様に、未知の癌に対しても優れたパフォーマンスを発揮しました。甲状腺癌において完璧なスコアを達成し、その他の癌に対しても非常に高いスコアを記録しました。これは、システムが単に特定の癌に対する特定の言葉を暗記していたのではないことを証明しました。むしろ、システムは、異なる疾患ファミリーにわたって適用される、癌の重症度に関するより深く普遍的な言語を学習していたのです。
研究者たちは、この知識の転移がどのようにして起こったのかを詳しく調査しました。彼らは、新しい癌のタイプを理解する能力が、主に膨大な量の医学テキストを用いた初期の訓練から得られたものであることを見出しました。その訓練によって、言葉（例えば「攻撃的」や「低分化」など）の一般的な意味が教え込まれたのです。時間や歴史を追跡するように設計されたシステムの部分は、患者の歩みを理解するには強力ですが、このクロス・キャンナー（癌種間）の成功の主な要因ではありませんでした。現実世界のテストでは、各患者に報告書が一つしかなかったため、時間追跡コンポーネントが分析すべき履歴は存在しませんでしたが、それでもシステムは成功しました。これは、癌の重症度を認識するための核となる知能が、基礎となる言語モデルの中にすでに存在しており、新しい状況に応用されるのを待っていた状態であったことを示しています。
これらの知見は、医療人工知能の新しい道を提示しています。病院は、癌の種類ごとに別々の専門的なコンピュータを構築する代わりに、最終的には一つの統合されたシステムを使用できるようになるかもしれません。この単一のシステムは、一般的な癌から学び、その疾患の重症度がテキストに表現されている限り、即座にそれを稀な、あるいは困難な癌へと適用することができます。システムには誤報を避けるための慎重な調整が必要ですが、本研究は、コンピュータが異なる身体や異なる時間枠を超えて疾患の物語を読み取ることを学習できることを実証しており、一つのツールが医師の癌の全容解明を支援するという未来へと近づいています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。