用AI可以进行早期胃癌的范围诊断 -逼近内镜专科医生的诊断精度-

发布日期：2023-06-29    点击次数：125

2023年6月6日理化研究所国家癌症研究中心用AI可以进行早期胃癌的范围诊断-逼近内镜专科医生的诊断精度-理化学研究所(理研)光量子工程研究中心图像信息处理研究小组的竹本智子研究员、横田秀夫小组组长(信息综合总部尖端数据科学项目副项目组长)、国立癌症研究中心东医院消化道内镜科的矢野友规科长、堀圭介医生(研究当时)等共同研究小组确立了接近内窥镜专业医生诊断精度的早期胃癌自动范围诊断AI。根据本研究成果，在今后全世界预计会增加的消化内镜检查中，有望辅助医生的诊断，减少因熟练度的差异导致的漏诊等误诊和因装置性能的不同导致的设施间的诊断差距等。早期的胃癌缺乏形态变化，很难与胃炎等炎症区分开来，所以在内窥镜检查中，即使是专科医生也有可能难以发现。 另外，不仅是发现，正确判断癌症浸润范围也与之后的治疗精度有很大关系，但早期胃癌的病变边界不明确，医生也有难以进行范围诊断的情况。此次，共同研究小组发展了利用深度学习[1]进行早期胃癌自动检测的先行研究，开发了可以进行早期胃癌领域预测的AI，并使用临床现场一年的连续病例进行了验证。 结果，在137个病例中的130个病例( 94.9% )成功发现了早期胃癌。 另外，在将AI决定的病变范围与6名专科医生的范围诊断进行比较的初步调查中，AI灵敏度优异，与真正病变区域的区域一致率获得了与专科医生大致相同的结果。本研究刊登在科学杂志《Journal of Gastroenterology》在线版( 5月31日)上。背景胃癌是死亡率最高的癌症之一，据报道，全世界每年约有100万新发病例，死亡人数约为80万人。注1 )。 近年来，日本也逐渐引入了基于内镜检查的检查，有报告称胃癌的早期发现会降低死亡率。 另一方面，早期胃癌缺乏隆起和凹陷等形态特征，很难判别胃炎等炎症引起的变化，因此在内窥镜检查中可能会出现漏诊的问题。 另外，由于检查装置和医生技能的不同导致的病变发现率的差异也成为问题，为了诊断能力的均化[2]和减轻医生对不断增加的检查需求的负担，需要利用计算机的诊断支援技术。因此，将机器学习引入内窥镜检查的医生开始采取支援诊断的措施。 关于以大肠内窥镜为对象的辅助诊断AI，在世界范围内报告了很多研究成果，日本也有根据医药品·医疗器械等法律取得了批准，并开始实用化的。 但是，特别是早期胃癌，还没有获得大肠内窥镜辅助诊断AI那样的成果。 一般来说，AI的学习需要大量的学习用数据，但早期胃癌即使是消化内镜的专家也很难发现，存在着制作学习用数据需要花费很多时间的问题。针对这个问题，联合研究小组在先行研究中，提出了用少量数据就可以高效学习病变特征的AI，成功地自动检测了早期胃癌的大致区域注2 )。 另一方面，在实际的临床现场，为了面向正在成为早期胃癌标准治疗的内镜切除术，需要正确鉴定应该切除的范围，因此，通过大部分的区域检测，在将来的实用化中是不充分的。注1）Bray F, Ferlay J, et al., Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin., 68(6): 394-424, 2018.注2）2018年7月21日プレスリリース「AIで早期胃がん領域の高精度検出に成功」研究方法和成果联合研究小组为了早期胃癌的范围诊断，构建了可以以图像的1像素为单位预测病变存在概率的AI。 在该AI中，维持了能够高效学习前期研究中的小规模数据的功能，消化内镜的专业医生实现了以正确注释病变区域的“癌症图像”150张、不含癌症的“正常图像”150张共计300张为基础的学习。 这些图像是从国立癌症研究中心东医院约1年间收集的连续68个病例中随机抽取的。 通过数据扩展[4]等增加到约113万张的基础上，可以通过深度学习之一的卷积神经网络( CNN ) [5]学习早期胃癌的表面性状和色调等详细的图像特征。在已学习的CNN中，针对新的输入图像以1像素为单位预测病变的存在概率。 在本研究中，将想预测的图像分割为多个，然后输入CNN，将多次预测结果叠加起来，实现预测的高精度化。 具体来说，将想要进行范围诊断的内窥镜图像分割为约1，600个块，预测每个块的病变存在概率(图1 )。 根据加权函数[6]叠加预测结果，各像素的预测最多约为1，600次，预测精度大幅提高。 因为块分割数和预测精度成正比，而分割数和预测时间成反比，所以在将来的检查和日常诊疗等中，可以根据重视预测性能和实时性的哪一个等目的决定块数，然后进行预测。

图片

图1早期胃癌领域预测流程显示使用学习完的卷积神经网络( CNN )，实现输入图像(内窥镜检查图像)中存在的早期胃癌的区域预测的流程。 将输入图像分割成可变数量的块，通过CNN预测每个块的病变存在概率。 通过根据加权函数将存在概率应用于原始输入图像，求出每个像素的存在概率。 热图是将存在概率为50%以上的像素作为病变区域用彩虹彩色表示的东西。使用与学习用数据不同的约1年间收集的连续137个病例(癌图像462张，正常图像396张)对构建的AI进行评价，结果，用癌图像387张( 83.8% )，正常图像307张( 77.5% )正确判定了有无早期胃癌 阳性准确率[7]为81.3%，阴性准确率[7]为80.4%。 在病例基础上，130例( 94.9% )正确判定了有无病变。 另外，将专科医生参照内窥镜检查后的病理诊断制作的正确范围诊断与基于AI的预测区域进行比较后，关于被称为IoU[8]的正确区域和预测区域的一致度，其评价指标之一的mIoU[8]获得了66.5%。 图2显示了预测结果的一个示例。

图片

图2专科医生对内镜检查影像的范围诊断与AI预测区域的比较表示基于AI的区域预测结果与专科医生制作的正确答案区域的重叠。 在此，针对早期胃癌的肉眼型分类中的表面隆起型( Type 0-Ⅱa )、表面平坦型( Type 0-Ⅱb )、表面凹陷型( Type 0-Ⅱc )这3种类型，给出了代表性的结果示例。另外，作为初步调查，在AI在图像中正确判定胃癌存在的387张癌症图像中，随机抽取38张，与6名消化内镜专家和AI对病变的检测能力以及范围诊断进行了比较。 另外，在日常诊疗中医生多并用放大内镜和NBI内镜，但在这次的比较中，专科医生通常只使用来自使用白色光的非放大内镜的图像。 结果显示，AI具有很好的灵敏度，mIoU获得了与专科医生几乎同等的精度(表)。 关于早期胃癌领域的预测，AI获得接近专科医生范围诊断的性能，这是本研究的第一次。mloU感度特異点精度陽性的中率陰性的中率AI68.7i.9