Information, Not AI Model Sophistication, Limits Resolution of Disease Progression in COPDGene

何十年もの間、医師や科学者たちは慢性肺疾患における、もどかしいパターンを目の当たりにしてきました。二人の人間が、ほぼ同一の呼吸機能検査の結果、似たような喫煙歴、そして同じ診断名からスタートしたとしても、その後の経過は劇的に分かれることがあります。一人は20年間にわたって緩やかに衰退していく一方で、もう一人はわずか数年のうちに、肺機能の急速かつ深刻な崩壊に見舞われることもあります。この予測不可能性こそが、COPD（慢性閉塞性肺疾患）として知られる疾患の中心的な謎です。研究者たちは、肺をスキャンし、遺伝子を調べ、血液中のタンパク質を測定するなど、より多くのデータを収集することで、なぜある人は悪化し、ある人は安定したままなのかを説明する隠れた手がかりを見つけ出せるのではないかと、長年期待してきました。主流の考え方は、もし十分なデータを持つ十分に大きなコンピュータモデルを構築できれば、ついに個々の疾患の進行を正確に予測できるようになるだろうというものでした。

新しい研究はこの仮定に異を唱え、問題は計算能力の不足ではなく、そもそも情報の不足にあることを示唆しています。研究者たちは、長年にわたって追跡調査が行われてきた大規模なCOPD患者グループを対象に、肺機能を追跡し、詳細な血液サンプルを収集しました。彼らはシンプルかつ深遠な問いを投げかけました。「もし今日、すべての標準的な医学的検査において全く同じに見える二人の患者がいるとしたら、どちらが明日悪化するかを予測できるだろうか？」彼らは、血液サンプルからの複雑な分子データを追加することがこの謎を解く鍵となるか、そして最先端の人工知能モデルが、より単純な手法が見逃してしまうパターンを見つけ出すことができるかどうかを検証しました。その結果、最高のツールと利用可能な最も詳細なデータがあったとしても、現在私たちが持っている情報では、二人の似通った患者の差を説明するには不十分であることがしばしば判明したのです。

この研究は、主要な国家研究プロジェクトに参加した785人の参加者に焦点を当てました。これらの個人は、肺の健康状態の主要な指標である「1秒間にどれだけの空気を吐き出せるか」というテストを含む、標準的な医学的検査を受けてきました。研究者たちはまた、各個人の血液中の数千の遺伝子の活動を示す、詳細な分子的なスナップショットにもアクセスできました。目的は、血液中の遺伝子活動を知ることが、今後5年間でその人の肺機能がどの程度低下するかを予測するのに役立つかどうかを確認することでした。これを行うために、チームは集団全体を一つの塊として見るのではなく、患者の「小さな近隣地域」に着目しました。研究の対象となったすべての個人について、現在の健康データに基づき、彼らに最も類似している他の30人を特定しました。そして、その30人の類似した人々が、5年後に同様の肺機能の変化を辿ったかどうかを確認したのです。

結果は驚くほど控えめなものでした。研究者が年齢、性別、人種、および肺機能テストといった標準的な臨床データのみを見た場合、研究開始時に非常によく似ていた患者たちが、結果として全く異なる経過を辿ることが分かりました。現在の健康状態における類似性は、後の経過を説明する割合が極めて低いものでした。実際、これらの類似した患者間における将来の肺機能の変動は、患者がランダムに選ばれた場合とほとんど変わらないほど広範なままでした。これは、標準的な医学的検査は診断には有用であるものの、個人の具体的な疾患の経路を予測するための詳細な情報は含まれていないことを意味します。

研究チームは、より深い生物学的情報の層が状況を明確にするのではないかと考え、血液の遺伝子データを組み合わせてみました。その結果、確かに多少の改善は見られましたが、それはごくわずかなものでした。血液データによって、患者間の差異をわずかに識別できるようになりました。これは実在し、再現可能な発見ではありましたが、魔法の杖ではありませんでした。遺伝子データを用いたとしても、将来の肺機能の変動の大部分は説明されないまま残されました。似たような外見を持つ患者たちは、依然として異なる未来を辿ったのです。研究では、この失敗がコンピュータモデルが単純すぎるためではないかという点についても明示的に検証されました。彼らは、基本的な統計ツールから複雑な人工知能システムに至るまで、10種類の異なる数学的モデルを用いてデータを解析しました。しかし、どのモデルも情報の欠如を克服することはできませんでした。ボトルネックはモデルではなく、データそのものだったのです。

おそらく、この研究における最も実用的な発見は、高価な医学的検査をどのように使うべきかという点に関するものです。血液による遺伝子データが平均してわずかな効果しか示さなかったため、研究者たちは、この追加の検査が一部の人にはより効果的なのではないかと考えました。彼らは、全員を検査するのではなく、患者の一部のみを検査する場合のシナカリオをシミュレーションしました。その結果、標準的な臨床データを用いて、追加の血液検査から最も恩恵を受ける可能性が高い患者を特定することで、全員を検査した場合に得られる有用な情報の大部分を、グループのわずかな割合を検査するだけで回収できることが分かりました。例えば、患者のわずか30％を検査するだけで、全員を検査することで得られたであろう有用な情報のほぼ3分の2を捉えることができるのです。これは、「一律の」ディープ・モレキュラー・テスティング（詳細な分子検査）のアプローチが非効率であることを示唆しています。代わりに、医師はルーチンの健康診断の結果を用いて、将来の健康状態をより明確に把握するために、より詳細な検査を必要とする特定の患者を判断することができるのです。

また、研究ではデータの整理方法についても比較が行われました。研究者たちは、臨床データと遺伝子データを単一のプロファイルに統合した公開された手法を確認し、それが遺伝子単独よりも優れているのではないかと考えました。しかし、その統合されたプロファイルは、生の遺伝子データよりも将来の肺機能の変化を予測する性能が低いことが判明しました。これは、情報の整理や圧縮の方法が極めて重要であることを浮き穴しています。患者を広範なカテゴリーに分類することには優れた手法であっても、個人の転帰を予測するために必要な微細な詳細を、意図せず消し去ってしまう可能性があるのです。情報は血液の中に存在していましたが、統合プロファイルのためにパッケージ化された方法が、その情報を不明瞭にしていました。

結局のところ、この研究は、肺疾患の進行を予測できないと言っているわけではありません。現在のこの大規模な研究で利用可能なデータでは、現在同一に見える患者の未来を区別することはできないと言っているのです。研究は、似たような患者が異なる経過を辿る理由への答えは、私たちがまだ測定していない、あるいは捉えていない情報の中にあることを示唆しています。標準的な検査が疾患の振る舞いの微妙な違いを見逃しているか、あるいは血液サンプルが適切なタイミングで適切な分子信号を捉えていない可能性があります。著者は、より複雑な人工知能モデルを構築する前に、まず、入力するデータに、私たちが探そうとしている区別が含まれていることを確認しなければならないと主張しています。

医学研究への示唆は明白です。深い生物学的データを収集する大規模な研究は、単に新しい疾患を発見するためだけでなく、どのような情報が実際に有用であるかを教えるためにも非常に価値があります。誰が追加の検査から恩恵を受け、誰が受けないのかを分析することで、これらの研究は将来の研究設計を導くことができます。すべての人に対してあらゆることを測定するのではなく、科学者は、最も高価で詳細な測定を、それを最も必要とする特定の患者に向けて行う方法を学ぶことができます。このアプローチは、医学を「可能な限り多くのデータを収集する戦略」から、「適切な患者に対して適切なデータを収集する戦略」へと移行させるものです。研究は、疾患進行の謎を解く鍵は、単により優れたコンピュータではなく、現在の患者の視点からどのような情報が欠落しているのかを理解することにあると結論付けています。