A practical roadmap to implementation of in-house developed computational pathology algorithms

現代的な病理学ラボの、ガラス張りの静かな部屋の中で、病気を診断する医師たちの傍らで働き始める新しい形の助手が現れました。何十年もの間、病理医の仕事は、顕微鏡の下で組織の薄い切片を調べ、肉眼では見逃してしまうかもしれないがんの微かな兆候を探すことでした。この作業は、ゆっくりと、細心の注意を払い、多大な集中力を必要とするものです。近年、コンピュータもこの「探す」作業を学習できるようになりました。人工知能の一種を用いることで、これらのプログラムは組織のスライドのデジタル画像をスキャンし、人間の専門家に匹敵するスピードと精度で異常を特定することができます。しかし、技術は研究室レベルでは急速に進歩している一方で、病院の日常業務へと移行することは滅多にありませんでした。テスト環境で機能するコンピュータプログラムと、実際のクリニックで命を救うために信頼されるプログラムとの間には大きな隔たりがあり、そこには安全性、規制、そして医師が実際にどのように働くかという複雑な現実という障壁が立ちはだかっています。

オランダのラドバウド大学医療センターの研究チームは、今、その隔たりを埋めました。彼らは単に賢いアルゴリズムを作っただけでなく、そのアルゴリズムを自分たちの病院内で、病理医のすぐ隣で実際に機能させるための完全なシステムを構築したのです。彼らの目的は、特定の、極めて重要な問題を解決することでした。それは、乳がんがセンチネルリンパ節（がん細胞が最初に移動しやすい最初のリンパ節）に転移しているかどうかを判断することです。かつて、医師はすべてのスライドを手作業で確認しなければならず、もしがんが見つからなかったとしても、確信を持つために、より高価な二次検査をオーダーしなければならないことがよくありました。研究者たちは、自社開発のコンピュータツールを使うことで、不要なステップをスキップし、時間を節ぶると同時に、厳格な安全規則に従いながら、より多くの癌を見つけられるかどうかを検証したいと考えました。

その道のりは、シンプルながらも困難な問いから始まりました。「コンピュータプログラムは、この仕事を安全に行うために信頼できるのか？」という問いです。ツールを実際の患者のファイルに触れさせる前に、チームは厳格な一連のテストを課しました。彼らはプログラムにリンパ節のデジタル画像を入力しました。これには48の陰性セクションと、合計100の症例（その中には微小ながん細胞の集まりが含まれているものもあります）が含まれていました。彼らは、コンピュータがミスを犯さないか、例えばがん細胞を見逃したり、健康な部位を誤って危険だとフラグ立てしたりしないかを確認したかったのです。結果は心強いものでした。コンピュータが健康な組織を見たとき、それは100パーセントの確率で正しく陰性と識別しました。がんを含む組織を見たとき、コンピュータは大部分の症例を見つけ出し、見逃したのはごく小さな細胞の集まりだけでした。決定的なことに、チームは、スライドの染色方法やスキャンのわずかな変化によってコンピュータが混乱しないかどうかもテストしました。こうした変化は、忙しいラボで自然に起こる変動を模したものです。ツールは安定しており、信頼できることが証明され、作業中のラボの混沌とした現実にも対応できることが示されました。

技術的な性能が確認されると、研究者たちは次の段階、つまり「実際の医師がそのツールを使用したときにどのように機能するか」へと進みました。彼らは、コンピュータの助けがある場合とない場合の両方で症例をレビューするというシナリオを設定しました。結果は明確なメリットを示しました。医師がコンピュータの支援を受けると、これまで見逃していたかもしれないケースを捉え、より頻繁にがんを特定することができました。さらに重要なことに、このツールは業務の流れを変えました。従来のシステムでは、医師がスライドを見て、もしがんが見当たらなくても、結果を確認するために二次的な特殊染色を待たなければなりませんでした。新しいシステムでは、もしコンピュータがスライドが陰性であると確信した場合、ラボの技師は医師が最初のスライドを再度確認することなく、直ちに二次染色を依頼することができました。この小さな変化により、陰性の症例については、医師が最初の画像を確認する必要がなくなりました。がんが見つかった症例については、意思決定にかかる時間が平均9秒からわずか4秒へと大幅に短縮されました。

しかし、チームはスピードと正確さだけでは不十分であることを知っていました。病院において、安全性は絶対的な優先事項です。ツールを稼働させる前に、チームはプロセスにおける潜在的な失敗のポイントを見つけるため、あらゆるステップを詳細にマッピングしなければなりませんでした。彼らは病理医、臨床検査技師、そして安全性の専門家を集め、コンピュータのクラッシュから、結果の読み取りにおけるヒューマンエラーに至るまで、起こりうるあらゆる事態を想定しました。彼らは、管理できない重大なリスクはないことを突き止めました。彼らは、コンピュータの結果が病理医の画面上に明確に表示されるように設計し、それが専門家の代わりではなく、役立つガイドとして機能するようにしました。もしコンピュータが特定の箇所を陽性とフラグ立てした場合、医師には即座に通知されます。もし陰性と判断された場合、技師は次のステップへ進みますが、最終的な決定権は常に医師にあります。この入念な計画により、テクノロジーが医師を混乱させたり、その専門知識をバイパスしたりするのではなく、医師をサポートするように設計されました。

パズルの最後のピースは、ツールを病院の既存のデジタル環境に適合させることでした。研究者たちは、人工知能を病院のメインの画像システムに接続するカスタムソフトウェア・ブリッジを構築しました。このブリッジは、デジタルスライドを医師の視界から受け取り、解析のためにコンピュータへ送り、結果を即座に持ち帰る、安全な運び屋のような役割を果たします。これらすべては病院独自のセキュアなネットワーク内で行われるため、患者データが建物外に出ることは決してありません。システムは柔軟に設計されており、病院の規模拡大に合わせて処理能力を上げることができ、スタッフが全く新しい作業方法を学ぶ必要がないほどシンプルでした。

システムが稼働すると、チームは現実の世界でそれがどのように機能するかを見守りました。現在、このツールは彼らの病理部門で使用されており、がんをより正確に特定し、実行が必要な不要な検査の数を減らすためのワークフローの一部として機能しています。研究者たちは、このツールの導入成功には、単なるスマートなアルゴリズム以上のものが必要であったことを発見しました。それは、病院がどのように機能するかについての深い理解、安全性へのコミットメント、そしてスタッフの日常業務を再設計する意欲でした。彼らは、医師の視点に立ってシステムを構築し、安全性と規制の厳格なルールに従うとき、人工知能が研究論文の中の概念から、病との戦いにおける信頼できるパートナーへと進化できることを証明しました。この取り組みは、他の病院が従うべき明確な道筋を示しており、医療診断の未来とは、人間の専門家を置き換えることではなく、彼らが最高の仕事をするための適切な道具を与えることであることを示しています。このツールは現在使用中ですが、チームは長期的な性能と安全性を確保するため、継続的な市販後調査を通じて監視を続けています。