UWF-FM: A Foundation Model for Comprehensive Ultra-Widefield Retinal Assessment

あなたの目はカメラのようなものだと想像してみてください。しかし、単にシーンの中心の写真を撮るのではなく、地平線から端まで、風景全体を見渡すことができます。何十年もの間、医師たちは眼底疾患をチェックするために「眼底写真」と呼ばれる特別な種類の眼スキャンを使用してきましたが、それは自撮りをするようなものでした。つまり、網膜の中央部分しか映しておらず、端の方で起きている重要なことを見逃していたのです。その後、「超広角（Ultra-Widefield: UWF）」イメージングが登場しました。これは、目のバックヤード全体を一度に捉えるパノラマレンズにアップグレードしたようなものです。これはゲームチェンジャーとなります。なぜなら、裂孔や腫瘍といった多くの目の問題は、しばしばその遠い隅の方に隠れているからです。しかし、コンピューターにこの巨大で複雑なパノラマ写真の意味を理解させるのは困難な作業です。それは、犬に単一の木ではなく森全体を認識させるように教えるようなもので、コンピューターは新しい詳細事項に混乱してしまいます。ここで「基盤モデル（Foundation Models）」が登場します。これらは、テストを受ける前に何百万冊もの本（画像）を読み込む、非常に賢いAIの学生だと考えてください。通常、これらの学生は「森の中心部」に関する本しか読んでいないため、パノラマ写真を渡されると苦戦してしまいます。科学者たちが問い続けてきた大きな疑問は、「超広角の眼底写真に特化して訓練された超賢いAIを作ることで、目のあらゆる場所でトラブルを見つけ出す真のエキスパートにできるのか？」ということです。

そこで、これらの超広角網膜画像をマスターするために特別に設計された、新しい種類のAI基盤モデルである「UWF-FM」が登場しました。リバプール大学のチームと世界中のパートナーシップによる研究チームは、古いAIモデルを無理やり新しい広角写真に適応させようとするのをやめることにしました。代わりに、彼らはゼロから新しい学生を作り上げました。彼らはこのAIに、ラベル付けされていない632,627枚ものパノラマ眼底画像の膨大なライブラリを読み込ませました。AIはただそれを見ただけではありません。「自己教師あり学習（self-supervised learning）」という手法を用いて、それらを研究しました。これは、先生から答えを教えてもらうのではなく、ピースを見てそれらがどのように組み合わさるかを推測しながらパズルを解こうとする学生のようなものです。これによって、AIは中心から端に至るまで、網膜全体の深く隠れたパターンを学習しました。

このAIが「訓練」された後、研究者たちはそれが古いモデルよりも本当に賢いかどうかを確認するためにテストを行いました。彼らは単に一つのことを探させるのではなく、一つの「職務記述書」を与えました。彼らは、AIが標準的な非広角写真のタスクを実行できるかどうかを確認するため、27,641組のラベル付き画像・タスクのペアを用いてテストを行いました。内容は以下の通りです：

1. 疾患の診断： 腫瘍を含む12種類の眼疾患を特定する。
2. 重症度の判定： 糖尿病網膜症が1から5のスケールでどの程度深刻かをチェックする。
3. 特定の兆候の発見： 中心部であれ遠い隅であれ、出血や裂孔など、28種類の異なる網膜所見を特定する。

結果は目覚ましいものでした。新しいUWF-FMモデルは、標準的な非広角写真で訓練された古いAIモデルを一貫して上回りました。それは、メインの道しか知らない観光客に対し、森全体を知っている地元のガイドを連れてくるようなものでした。新しいモデルは高いスコア（腫瘍検出で約0.90、一般的な疾患診断で約0.94のAUC）を達成し、中心部だけでなく全体像を理解していることを証明しました。

しかし、研究者たちはそこで止まりませんでした。彼らは、このAIが学習した特定のカメラでしか機能しない「一芸のみの馬（one-trick pony）」なのかどうかを知りたいと考えました。彼らは、異なる病院や、異なるカメラブランド（OptosカメラからZeissカメラへの切り替え）の画像を用いてテストを行いました。これらの新しいカメラに対する追加の訓練や「チューニング」なしでも、AIは依然として古いモデルよりも優れた性能を示しました。これは、AIが特定のカメラの外観を暗記したのではなく、網膜そのものの「言語」を学んだことを示唆しています。

このAIが実際に医師に役立つかどうかを確認するため、研究チームは4人の眼科医による特別な研究を実施しました。彼らに600枚のパノラマ眼底画像を2回見せました。一度目は単独で、二度目はAIの助けを借りてです。AIは決定を下すのではなく、単にその「推測」を医師に囁くだけでした。医師がAIの助けを借りたとき、彼らは間違いを増やすことなく（特異性のわずかな低下のみで）、疾患を見つける能力（感度）を高めることができました。それは、まるで非常に観察力の鋭い助手が、医師が見逃したかもしれないもの、特に隅の方にあるトリッキーなものを指し示しているようなものでした。医師、特に経験の浅い医師たちは、この助けを得ることで自身の仕事をより良くこなせるようになりました。

最後に、チームはこのAIが実際の病院で混乱を引き起こさずに機能するかどうかをテストしました。彼らは、シアメン眼科センター（Xiamen Eye Center）で「サイレント・デプロイメント（静かな展開）」を実施しました。2ヶ月間にわたる37,665件の連続した眼検査において、AIはバックグラウンドで動作し、すべての画像を分析しました。AIは医師のワークフローを妨げることも、変更することも、テスト中に結果を誰にも見せることもありませんでした。AIは100%の成功率で、1件の検査につきわずか約1.1秒で、すべての画像を処理しました。これにより、この強力なAIが、既存の仕組みを壊すことなく、忙しい病院に統合できることが証明されました。

要約すると、この論文は、網膜の広大な広角ビューに特化してAIを訓練することで、眼全体を理解し、異なる病院やカメラ間で動作し、医師がより多くの疾患を見つけるのを助け、実際の医療ワークフローにシームレスに適合する堅牢なツールを作成できることを示唆しています。これは、AIが眼科医にとって信頼できるパノラマ視力のパートナーとなり、網膜のどの部分も暗闇に取り残されない未来への一歩です。