3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

毎年、世界中で数百万人もの人々が脳卒中に見舞われています。脳卒中は、脳への血流が突然遮断される現象であり、死や長期的な障害につながる可能性があります。脳卒中が発生した際、時間は最も重要な要素となります。医師は、損傷が正確にどこで発生したかを確認するために、磁気共鳴画像法（MRI）に頼ります。これらのスキャンは脳の詳細な三次元画像を作成し、医師が損傷した組織、すなわち病変を特定することを可能にします。患者を効果的に治療するためには、医師はこの損傷領域のサイズと形状を精密に測定しなければなりません。しかし、コンピュータ画面上でこれを手作業で行うことは、時間がかかり、退屈で、ヒューマンエラーも起こりやすく、特に損傷領域が非常に小さい場合や散在している場合には困難です。

近年、コンピュータはこれを自動的に行うことを学習してきました。ディープラーニングと呼ばれる一種の人工知能を使用することで、機械は今や脳画像をスキャンし、損傷領域を数秒で強調表示することができます。しかし、現在のコンピュータの仕組みには重大な問題があります。それらは、自分が確信を持てていないことを決して認めない、自信満々な専門家のように振る舞います。コンピュータが脳卒中の境界線を引くとき、それは自分が絶対に確信しているのか、あるいは単に推測しているだけなのかを医師に伝えることなく、単一の決定的な答えを出してしまいます。医療現場において、このような「正直さ」の欠如は危険です。医師は、コンピュータが損傷はどこにあると考えているかだけでなく、コンピュータがどの部分で躊躇しているのかも知る必要があります。そうすることで、生死に関わる決断を下す前に、それらの特定の箇所を再確認できるからです。

モロッコのシディ・モハメド・ベン・アブデッラー大学の研究チームは、この問題を解決する新しい方法を開発しました。彼らは、脳卒中を見つけるだけでなく、自分自身の仕事に対してどれほどの自信を持っているかを医師に伝えるシステムを作り上げました。彼らのアプローチは、脳全体を一度に見るように設計された強力なコンピュータモデルと、モデルに同じ画像を少しずつ異なる方法で何度も「思考」させる巧妙なトリックを組み合わせたものです。これらの異なる思考を比較することで、システムは画像のどの部分が明確で、どの部分が混乱しているかを正確にマッピングできます。これにより、コンピュータは脳卒中のマップとともに、コンピュータが不確実だと感じている場所を示す別のマップを医師に手渡すことができ、単純な自動化ツールを信頼できる意思決定のパートナーへと変貌させます。

研究者たちは、数百人の患者を含む主要な国際的なチャレンジから提供された大規模な脳スキャンのコレクションを用いて、新しいシステムをテストしました。これらのスキャンには、急性脳卒中を特定するためのゴールドスタンダードである2つの特定の種類の画像が含まれていました。一つは脳内の水の動きがブロックされている場所を示すもので、もう一つは水が組織をどの程度通り抜けやすいかを測定するものです。チームは、脳を平面的な二次元の画像に切り分けるのではなく、脳の三次元ボリューム全体を見るようにコンピュータを訓練しました。これは、脳卒中が複数の層にわたって広がる複雑で不規則な形状を持つことが多いため、ボリューム全体を見ることが損傷の真の構造を理解するのに役立つからです。

自身が持つ自信を意識させるために、研究者たちは「モンテカルロ・ドロップアウト」と呼ばれる手法を用いました。簡単に言えば、これは最終分析中にコンピュータの脳の中で小さなスイッチをオンにしたままにしておくことです。通常、このスイッチは学習が終わるとオフになりますが、ここではオンのままにしました。このスイッチは、コンピュータが画像をみるたびに、思考プロセスの極めて小さな部分をランダムにオフにします。コンピュータは毎回、少しずつ異なる「レンズ」を通して同じ画像を見ることになるため、見るたびにわずかに異なる答えを生成します。研究者たちは、コンピュータに各脳スキャンを20回見るよう指示しました。これら20通りの異なる答えを平均化することで、コンピュータはより正確な脳卒中の最終的な画像を作成しました。さらに重要なことに、これら20通りの答えが互いにどれほど異なっているかを見ることで、コンピュータは画像のあらゆる一点に対して不確実性のスコアを算出することができました。

結果として、この手法は二つのレベルで機能することが示されました。第一に、コンピュータは脳卒中を見つける能力が向上しました。モデルに画像の最も重要な部分に集中させ、健康な脳組織を無視するように教える特定の「アテンション・メカニズム」を使用することで、システムは損傷領域を検出する能力を高めました。システムは以前の手法よりも実際の脳卒中組織を多く発見しました。これは、脳の小さな一部でも見逃すと治療計画に支障をきたす可能性があるため、非常に重要です。システムは、その輪郭が真の損傷とどれほど一致しているかを測定するスコアにおいて0.6816を達成し、これはこの特定のデータセットに対してテストされたシングルモデルの手法の中で最高の結果でした。

第二に、そしておそらく最も重要なこととして、システムは不確実性マップの生成に成功しました。研究者たちは、コンピュータが自信を持っているとき、20通りの見え方はすべて一致し、不確実性のスコアが低くなることを発見しました。コンピュータが確信を持てていないとき、20通りの見え方は大きく異なり、高い不確実性スコアを生じさせました。これらの高いスコアは、コンピュータがミスをした場所に正確に現れました。つまり、脳卒中の曖昧なエッジ部分や、非常に小さくて見えにくい病変の部分です。システムは、最も小さく複雑な脳卒中を、最も不確実なケースとして自然にフラグ立てしました。これは、実際の病院において、医師がコンピュータのマップを見て、トリッキーな箇所の周囲に不確実性の光る領域を確認でき、「こここそが注意深く検査すべき場所だ」と即座に判断できることを意味します。

本研究では、彼らのシングルコンピュータモデルを、多くの異なるモデルが協力して働く「アンサンブル」と呼ばれる他のシステムと比較しました。これらの大規模なモデルのグループは、時としてわずかに高い精度を達成することもありましたが、自信に関する情報は一切提供しませんでした。それらは依然として、説明なしに単一の答えを出すブラックボックスでした。モロッコの研究チームによる新システムは、このベンチマークにおいて、三次元の脳卒中セグメンテーションに関する詳細なポイントごとの信頼性マップを提供する初めてのモデルであるという点でユニークです。これは、適切に設計された単一のモデルが、正確さと自らの限界に対する誠実さを両立できることを証明しています。

この研究は、人工知能を単に結果を出力する「魔法の箱」として扱うのではなく、その推論過程を伝える「ツール」として扱うことへの転換を象材しています。研究者たちは、コンピュータに不確実性を表現させることで、精度を犠牲にすることなく、むしろ精度を高めることができることを実証しました。この手法は、追加の学習時間や基礎となるアーキテクチャの複雑な変更を必要とせずに、小さな脳卒中の検出を改善しました。このシステムは、コンピュータが画像の走査という重労働を行い、医師がコンピュータが不確実だと判断した領域にのみ専門知識を集中させるというワークフローで使用される準備ができています。このパートナーシップは、自動化のスピードと人間による監視の安全性を融合させるものであり、患者の回復を助けるために、これらの技術を実際の病院へ導入するための不可欠なステップです。