Multimodal B-Mode and Contrast-Enhanced Ultrasound Radiomics With Two-Stage Supervised Contrastive Representation Learning for Differentiating Benign and Malignant Breast Lesions

あなたは、あるミステリーを解決しようとしている探偵だと想像してください。この乳房内のしこりは、無害な「善玉（良性）」なのか、それとも巧妙な「悪玉（悪性）」なのか？ 長い間、医師たちは Bモード超音波（BUS） という標準的な懐中電灯を使用してきました。これは、しこりの形、エッジ、そして質感を描いた白黒のスケッチを見ているようなものです。非常に優れたものですが、時にはスケッチがぼやけてしまい、探偵が100％確信を持てないこともあります。

次に、造影超音波（CEUS） と呼ばれる第2のツールがあります。これは、特別な光る染料を注入して、しこりの中にある血管をライトアップさせるものだと考えてください。これにより、単なるスケッチではなく、どのように「血液の交通量」が流れているかを示す「映画」が得られます。これによって、しこりが独自の混沌とした道路を作っているのか（トラブルの兆候）、あるいは流れが穏やかで秩序立っているのかが明らかになります。

大きな疑問は、「このスケッチと映画を、単に巨大で混乱したデータの山としてまとめずに、どうすれば組み合わせることができるのか？」ということでした。

新しい探偵チーム：Radiomics-TSMCR

石河大学の研究チームは、Radiomics-TSMCR という超スマートなAI探偵を構築することに決めました。このAIは、単にスケッチと映画を貼り合わせるのではなく、特別な「2ステップのダンス」を学習しました。

1. ステップ1（ソロ・アクト）： AIは、BUSのスケッチとCEUSの映画を別々に観察します。そして、スケッチのユニークな「個性」（形やエッジ）と、映画のユニークな「個性」（染料の動き方）をそれぞれ学びます。
2. ステップ2（グループ・ハドル）： 次に、AIはこの2つの個性を一つにまとめます。しかし、ここには魔法のような仕掛けがあります。AIは「対照的（コントラスティブ）」な手法を用います。AIが写真を「善玉」と「悪玉」の2つの箱に仕分けしている場面を想像してください。AIは、同じ「善玉」のスケッチと映画が互いに非常によく似ているように強制する一方で、それらが「悪玉」とは全く異なって見えるようにします。これをすべての症例に対して行い、形と血流がどのように一致し、あるいは食い違っているのかを正確に学習します。

大対決

研究者たちは、確定診断された乳房内のしこ性病変を持つ486人の女性を対象とした試験において、この新しいAI探偵を6つの他の探偵たちと比較しました。

• 旧守派： スケッチ（BUS）だけを見た標準的なAI、映画（CEUS）だけを見たもの、あるいは両方を単純に混ぜ合わせたAI。
• ニューラルネットワーク： 結合されたデータをただ凝視することで学習しようとする、別のタイプのAI。
• イメージ・ディープ・ラーナー： 生の画像から直接学習しようとする、超複雑なAI（ResNet18-TSMCR）。

結果：
新しい Radiomics-TSM3R 探偵は、ショーのスターとなりました。内部テストグループにおいて、そのスコア（AUCと呼ばれる）は 0.896 でした。

• これは、単純に混ぜ合わせたAI（スコア 0.825）に勝利しました。
• 単純なニューラルネットワーク（スコア 0.863）にも勝利しました。
• そして、超複雑なイメージ・ディープ・ラーナー（スコア 0.892）と同等の性能を発揮しました。

この論文は、この2種類の超音波データを組み合わせる方法として、この「2ステップのダンス」が非常に効果的であることを示唆しています。AIは単にすべてをブレンダーに投げ込んだのではなく、それぞれのモダリティ（様式）が持つユニークな情報を尊重したのです。

AIが実際に「見た」もの

AIが単に推測しているのではないことを確認するために、研究者たちは SHAP と呼ばれるツール（どの手がかりが最も重要であったかを照らすスポットライトのようなもの）を使用しました。

• スポットライトは、AIが脳の力の 54.95% をBUSのスケッチの特徴に、45.05% をCEUSの映画の特徴に使ったことを示しました。
• これは、論文の主張を証明しています。つまり、形と血流の両方が不可欠で、補完的な手がかりであるということです。AIは一方のために他方を無視することはありませんでした。

「しかし……」（現実を直視する）

このAIは、善玉としこりと悪玉を見分けることには優れていますが、論文では注意すべき点がいくつか指摘されています。

1. リスクスコアであって、水晶玉ではない： このAIは、しこりを「良さそう」から「悪そう」へとランク付けすることには非常に優れています。しかし、それが吐き出す数値は、まだ完全に較正（キャリブレーション）された確率ではありません。もしAIが「癌の可能性は70%である」と言ったとしても、それが現実の世界で「正確に70%」であることを意味するわけではありません。研究者は数学的なトリック（Plattスケーリングやアイソトニック回帰）を用いてこれを修正しようと試みましたが、数値はまだ現実と完璧には一致していません。したがって、現時点では、最終的な判定を下すためのものではなく、「リスクの順位付け」ツールとして使用するのが最適です。
2. 「単一施設」の問題： この研究は、一つの病院のデータのみを見ています（単一センター研究）。論文では、異なる機械や異なる患者を持つ他の病院でも、このAIが同様にうまく機能するかどうかはまだ分かっていないことが明記されています。この場所の外にある現実の世界でテストされる必要があります。
3. 人間の手： 研究者たちは、画像上のしこりの輪郭を手動で描く必要がありました。異なる医師が描いた輪郭が同様であることを確認してはいますが、そのプロセスは依然として人間の目に依存しています。

結論

この研究は、2種類の超音波映像（スケッチと映画）の間でAIに「ダンス」を教えることは、単にデータを混ぜ合わせるよりも、乳房のしこりを診断するための賢明な方法であることを示唆しています。Radiomics-TSMCR モデルは、古い手法よりも優れた、そして最も複雑な画像ベースのAIと同等の性能を発揮できることを示しました。

しかし、この論文はこれが解決済みの問題であるとか、魔法の治療法であると主張しているわけではありません。これは、異なる病院でのさらなるテストや、医師に癌の正確な確率を告げるためのより良い較正を必要とする、有望な新しいツールです。これは、これら2種類の超音波映像を組み合わせることが前進への道であることを示す、非常に強力なヒントですが、その旅はまだ終わっていません。