Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study
この2施設共同レトロスペクティブ研究では、ResNet50と勾配ブースティングを用いた深層学習由来の超音波ラジオミクスモデルを開発および外部検証し、浸潤性乳癌患者における術前のセンチネルリンパ節転移予測において、中程度かつ一貫した性能を示すことを実証した。
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。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
乳がん治療の道のりにおいて、最も重要な決定の一つは、最初の一太刀が入れられる前に行われます。それは、がんが近くのリンパ節に転移しているかどうかを判断することです。これらの小さく豆のような形をした臓器は、乳房からの液体を濾過する、体の第一防衛線として機能しています。もしがん細胞がそこに移動していた場合、手術計画は大きく変わります。伝統的に、医師はセンチネルリンパ節生検を行う必要があります。これは、外科医が特定のリンパ節を取り除き、顕微鏡下でがんの有無を確認する処置です。この方法は効果的ではありますが、腫れや不快感を伴う侵襲的なステップであり、必ずしも完璧ではありません。時には検査ががんを見逃したり、逆にがんが転移していない患者に対して不要な手術につながったりすることもあります。数十年にわたり、研究者たちは非侵襲的なツールを用いてこの転移を予測する方法を模索してきました。患者が必要のない処置を免れることを願ってのことです。超音波検査は、音波を使用して体の画像を作成する一般的な画像診断技術ですが、がん細胞の見えない広がりを見る能力については、画像を解釈する人間の目の限界によって制限されてきました。
中国の2つの病院の研究チームは、コンピューターに超音波画像から人間の目では見逃してしまう可能性のあるパターンを見つけさせるという、この古い問題に対する新しいアプローチを採用しました。彼らは、浸潤性乳がんと呼ばれる特定のタイプのがんに焦点を当てました。これは、腫瘍が乳腺組織を突き破ってリンパ節へと移動する可能性があるものです。研究チームは、246人の患者の腫瘍の超音波画像を収集しました。患者全員は、リンパ節にがんが含まれているかどうかを確認するために手術を受けていました。彼らはこれらの患者を2つのグループに分けました。1つは広州市の病院からのグループで、コンピューターに学習させるためのものであり、もう1つは別の病院からの独立したグループで、コンピューターが学習した内容を未知の患者に適用できるかをテストするためのものです。コンピューターは、放射線科医のように腫瘍の形状や明るさに注目して画像を見るのではありませんでした。その代わりに、ディープラーニング（深層学習）システム、つまり人工知能の一種を使用して、画像を数千もの微細な数学的詳細へと分解しました。そして、システムは意思決定アルゴリズムを用いて、リンパ節への転移を最もよく予測できるこれら詳細の特定の組み合わせを見つけ出したのです。
この研究の結果は、コンピューターモデルが予測において中程度の成功を収めたことを示しています。システムを学習させるために使用された患者グループでテストした際、モデルは0.73のAUCを達成しました。研究者が同じモデルを2番目の病院の独立した患者グループでテストした際も、パフォーマンスは一貫しており、モデルは0.74のAUCを達成しました。異なる超音波装置を使用している2つの異なる病院間でのこの一貫性は、コンピューターが単に提示された特定の画像を記憶したのではなく、真のパターンを学習したことを示唆しています。しかし、このモデルは完璧な水晶玉ではありません。2番目の病院のテストグループにおいて、モデルはがんが転移していない患者を正しく特定することにおいて非常に優れており、その成功率は約84パーセントでした。これは貴重な発見です。なぜなら、このツールが特定の低リスク患者に対して、侵襲的な生検をスキップすることへの自信を医師に与えられる可能性があることを意味するからです。
しかし、この研究は同時に、このツールが及ばない部分についても浮き彫りにしています。モデルは、がんが実際に転移していたケースを捉えることにおいては成功が低く、それらのケースを正しく特定できたのは約65パーセントに過ぎませんでした。転移したケースを見逃したことがあるため、研究者たちは、このツール単独では標準的な生検手順に取って代わることはできないと強調しています。もし医師がこのコンピューターによる予測のみに頼って転移がないと判断した場合、必要な治療を受けられないまま、誤って患者を帰宅させてしまう可能性があります。著者らは、このモデルを代替品ではなく、有用な助手、つまり意思決定プロセスに情報の層を加えることができるツールであると述べています。彼らは、この研究がレトロスペクティブ（回顧的）なものであり、つまり既に収集されたデータを振り返ったものであること、そして患者数が比較的少なかったことを指摘しています。また、コンピューターはなぜそのような決定を下したのかという「理由」を説明するように教えられていないことも、この種の高度な人工知能における共通の課題であると研究者は指摘しています。
著者らによれば、今後の進むべき道は、将来的にこのツールをより大規模な患者グループでテストすることです。彼らは、この技術が日常の診療で使用される前に、患者を将来に向かって追跡し、予測が実社会の診療において有効であるかどうかを確認するプロスペクティブ（前向き）な研究によって証明される必要があると示唆しています。目標は、このコンピューター解析を、腫瘍の大きさや患者の年齢といった他の標準的な情報と組み合わせることで、精度をさらに向上させられるかどうかを確認することです。現時点では、この研究は、人工知能が医師のよりパーソナライズされた意思決定を支援し、一部の女性を不要な手術から救い出しつつ、必要な人には確実に治療が行われるようにするための、有望な展望を示すものです。この研究は、技術がまだ「本番用」ではないとしても、それが理論段階を超え、臨床現場において現実的で測定可能な可能性を示したことを証明しています。
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。