Exploring Digital Pathology for Tongue Tumour Tissue analysis using machine vision Techniques: An automated Approach

静かで、かつ極めて高い緊張感が漂う病理診断の世界において、病理医の眼は最終的な審判となる。患者に疑わしい腫瘍が見つかると、組織の小さな断片が採取され、ガラスのスライド上に置かれる。顕微鏡の下で、専門家は癌の兆候、すなわち、形を失った細胞、大きすぎる核、あるいは本来あるべきではない場所に増殖している組織を探し出す。この手作業によるプロセスは、腫瘍を発見するためのゴールドスタンダードであるが、同時に時間がかかり、精神を消耗させ、ヒューマンエラーが起こりやすいものでもある。最も経験豊富な医師であっても、見ているものに対して意見が分かれることがあり、レビューしなければならないスライドの膨大な量は、疲労や細部の見落としにつながる。現代医学が直面している問いは、機械が、疲れることなく、これらと同じ精度でパターンを学習し、決して瞬きをしない「もう一つの目」を提供できるかどうかである。

インドの機関に所属する研究チームは、特に舌と上気道の腫瘍に焦点を当て、その問いに答えるための重要な一歩を踏み出した。彼らは、これらの組織サンプルのデジタル画像を分析するために設計された新しいコンピュータシステムを開発した。その目的は、単に癌を見つけることだけでなく、それを特定のカテゴリーに分類することであった。すなわち、無害な良性腫瘍、危険な悪性腫瘍、そして細胞が変化しているものの、まだ完全な癌には至っていない警告段階である異形成（ディスプラジア）である。これを行うために、研究者たちは、一般的な画像で学習させた既存のソフトウェアに頼るのではなく、画像から直接学習するカスタム人工知能モデルを構築した。

その過程は、生のマテリアル、すなわち生検スライドから撮影された数千枚のデジタル画像から始まる。これらの画像はすべて同じではない。地図をズームするように、3つの異なる倍率でキャプチャされている。ワイドビューでは、コンピュータは組織の全体的なレイアウトを見る。中程度のズームでは、組織の層がどのように成長しているかを捉える。そして最高倍率では、個々の細胞とその核を見ることができる。研究者たちは、コンピュータを効果的に訓練するためには、まず画像をクリーニングしなければならないことに気づいた。現実世界の顕微鏡スライドには、染色のムラ、気泡、影などの不完全さがしばしば存在する。これらはコンピュータを混乱させる可能性がある。チームは、これらの問題を修正するために特別な画像処理ステップを作成し、色とコントラストを調整することで、組織の重要な部分が背景に対して明確に際立つようにした。このプロセスにより、コンピュータがスライド作成時の欠陥ではなく、生物学的な実態を見ていることが保証される。

画像が綺麗になった後、研究者たちは「コントラスト・ストレッチ・畳み込みニューラルネットワーク（Contrast Stretched Convolutional Neural Network）」と呼ぶ新しいモデルを導入した。多くの他のAIシステムが、汎用的なブロックを積み重ねて構築されるのとは異なり、このモデルは医療用スライドの特定のニーズに対処するためにゼロから設計された。これは「ワンサイズ・フィット・オール（万能型）」のアプローチをとるのではなく、人間が全体像から細部へと焦点を移していく様子を模倣するように、異なるスケールで同時に組織を見るように構造化されている。システムは、健康な細胞と、癌化しつつある細胞との独特な形状や質感の違いを認識することを学習する。これは、コンピュータが学習し、またテスト（未知のデータによる検証）が行われるよう、慎重に分割された5,000枚以上の画像を含むデータセットを用いて訓練された。

この訓練の結果は驚くべきものであった。新しい画像に対してテストを行った際、モデルは98パーセントのケースで腫瘍のタイプを正しく特定した。このモデルは、炎症、良性腫瘍、および様々な段階の癌を区別することができ、その精度は、学習済みのデータに依存する他の高度なコンピュータモデルの性能に匹敵し、場合によってはそれを上回るレベルであった。システムは効率的な学習速度を示し、学習フェーズにおける1エポックあたりわずか2秒で高い精度に達した。研究者らは、このモデルが初期段階の変化と本格的な癌との間の微妙な違いを扱うことに特に優れていると指摘した。これは、人間の専門家にとっても困難な作業となり得るものである。このような高いレベルの精度を達成したことで、本研究は、こうした自動化されたシステムが、将来的に病理医にとって信頼できるパートナーとなり、診断にかかる時間を短縮し、疲労による腫瘍の見落としを防ぐことができる可能性を示唆している。

この研究は、医師に取って代わることを主張しているのではなく、むしろ初期スクリーニングという重労働を担う強力なツールを提供することを目指している。研究者たちは、彼らのアプローチが透明であることを強調している。モデルは隠れたショートカットを用いることなく、医療画像から直接学習するため、その決定プロセスを理解し、信頼することが容易である。本研究は舌や気道の腫瘍に焦点を当てたものであるが、その手法は、コンピュータがいかにして人間の組織の複雑な言語を読み解くことができるかという青写真（ブループリント）を提示している。しかし、著者らは、モデルの計算コストが、特に不均質なマルチモーダル・データサンプルを処理する際にさらなる検討を要する要素であることも述べている。この技術が成熟するにつれ、それは高品質な癌診断をより身近なものにし、かつては激しい集中力を要したプロセスを、人間の専門家をサポートする迅速で自動化されたチェックへと変えていく約束を孕んでいる。