Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

毎年、何百万人もの子供たちが首の腫れを理由に医師を訪れます。これらの腫れは通常、免疫システムの一部として機能する小さな腺であるリンパ節であり、風邪やウイルス感染症と戦うために腫れ上がった、無害なものです。しかし、ごくわずかではありますが、非常に深刻なケースでは、これらと同じ腫れたリンパ節が、白血病やリンパ腫といった重大な血液がんの最初の兆候となることがあります。単純なウイルスへの反応と、がんの兆候を区別することは、小児医療における最も困難な課題の一つです。超音波検査は、放射線ではなく音波を使用する安全な画像診断ツールであり、医師がこれらのリンパ節の内部を観察するために最初に行うステップです。それはリンパ節の形状や、そこを流れる血流を示すことができますが、視覚的な手がかりはしばしば重複します。疑わしいように見える結節が、実は単にウイルスと戦っているだけであることもあれば、穏やかに見える結節が中に悪性腫瘍を隠していることもあるのです。何十年もの間、医師は経験とチェックリストの項目に頼ってこの判断を下してきましたが、良性と危険の境界線はしばしば曖昧です。

中国の蘇州医科大学附属第一附属病院の研究チームは、人間の目が躊躇してしまうような違いを、コンピュータが識別できるかどうかを確かめるべく研究に着手しました。彼らはコンピュータに対し、血液検査の結果や患者の既往歴を見るよう求めたのではなく、代わりに超音波画像そのものと、腫れたリンパ節の輪郭だけを与えました。その目的は、日常的なスキャンを見て、その腫れが単なる無害な反応なのか、それとも直ちに血液がんへの懸念が必要なものなのかを医師に伝えるデジタル・アシスタントを構築することでした。このアプローチは、超音波画像の生のピクセルには、人間の目では見落としてしまうかもしれない微細なパターン（テクスチャ、影、エッジの詳細など）が含まれているという考えに基づいています。

このコンピュータに学習させるため、研究者たちは病院のアーカイブから大量の超音波画像を収集しました。まず、子供たちの腫れた頸部リンパ節の画像を600枚以上集めました。各画像には、3人の経験豊富な超音波診断医が、互いに独立し、かつ最終的な診断を知ることなく、リンパ節の正確な輪郭を描き込みました。医師の間で形状について意見が分かれた場合には、彼らは話し合って、単一の完璧な輪郭に合意しました。このプロセスにより、コンピュータが最も正確な組織の地図から学習することを保証しました。次に、研究者たちは同じ子供のリンパ節の複数のビューが一緒に扱われるようにデータをグループ化し、コンピュータが単に同じ画像を二度記憶してしまうことを防ぎました。データを5つのグループに分け、4つのグループでコンピュータを訓練し、残りの1つでテストするというプロセスを、すべての画像がテストされるまでローテーションしながら繰り返しました。この厳格な手法により、結果がデータのたまたま運の良い分割によるものではないことを確実にしました。

彼らが構築したコンピュータモデルは、数百万枚の一般的な画像を用いて形状やパターンを認識するように事前学習された、EfficientNetとして知られる高度なアーキテクチャに基づいています。研究者たちは、このモデルを、超音波画像と医師が描いた輪郭の両方を受け入れられるように適応させました。彼らは数千の例をモデルに投入し、白血病やリンパ腫による結節と、エプスタイン・バーウイルスなどのウイルス感染や一般的な炎症による結節との視覚的な違いを学習させました。コンピュータは単に推測したのではなく、視覚的な証拠の重みを学習し、一貫して2つのグループを分離できるようになるまで、内部設定を調整していきました。

研究者がこれまで見たことのないデータを用いて最終的なモデルをテストしたところ、高い精度で性能を発揮しました。このシステムは、曲線下面積（AUC）と呼ばれる指標において、約86パーセントのケースで良性と悪性の結節を正しく区別しました。すべての癌を見逃さないことと、誤報を避けることのバランスを取るために選ばれた特定の条件下では、モデルは約78パーセントの確率で正解を出しました。モデルは実際の癌ケースの約77パーセントを正しく特定しており、これは危険な結節のわずかな割合しか見逃していないことを意味します。一方で、無害なケースの約80パーセントを正しく特定しました。このレベルの性能は、他のいかなる医学的情報なしでも、超音波画像のみに機械が信頼できる判別を行うための十分な視覚情報が含まれていることを示唆しています。

研究では、モデルが異なる種類の癌をどのように扱うかも調査されました。その結果、コンピュータは白血病よりもリンパ腫を見つけるのがわずかに得意であることが分かりました。これは画像を見ると理にかなっています。リンパ腫の結節は、非常に明確で丸みを帯びた形状と暗い中心部を持つことが多く、それがはっきりと際立ちますが、白血病の影響を受けた結節は、ウイルスの感染で見られるような乱れた不規則な腫れのように見えることがあり、区別がより困難になります。この困難にもかかわらず、モデルは依然としてランダムな推測よりも優れた精度で白血病のケースを良性のものから分離できており、すべての具体的な比較において一貫して83パーセント以上のパフォーマンス・スコアを維持していました。

研究者たちは、このツールが医師の代わりになるものではないことを注意深く明記しました。これは単独で癌を診断するものではなく、癌が疑われる場合の生検や血液検査の必要性に代わるものでもありません。むしろ、画像に対する客観的な意見を提供する「第二の目」として機能します。コンピュータの信頼度は、高いスコアを出したときには、その結節が実際に悪性である可能性が非常に高いように校正されています。これにより、放射線科医が、子供に緊急の追加検査が必要か、あるいは腫れを安全に経過観察できるかを判断する助けとなる可能性があります。本研究は単一の病院で行われ、輪郭は専門家によって手作業で描かれたものであるため、次のステップは、このモデルが異なる病院の画像でも同様に機能するかどうか、そして自動生成された輪郭でも機能するかどうかを確認することです。

結局のところ、この研究は、現代の人工知能によって解読できる超音波の視覚的言語が存在することを証明しています。画像とリンパ節の形状だけに焦点を当てることで、研究者たちは、コンピュータが子供の体がウイルスと戦っているのか、それとも癌と戦っているのかという違いを学習できることを示しました。このモデルはまだあらゆる診療所で使える段階ではありませんが、その結果は将来の研究に向けた強力な基礎を提供しています。それは近い将来、コンピュータが小児科医の傍らに座り、超音波スキャンをレビューして、危険なケースを見逃さず、かつ不要な処置を受ける子供が出ないようにするための、データに基づいた視点を提供できる可能性を示唆しています。