Medical Image Analysis

医用画像解析とは、コンピュータービジョン（CV）と人工知能（AI）を用いて、医用画像から臨床的に有用な情報を抽出することです。肺結節や骨折などの所見の検出、臓器や腫瘍の輪郭抽出、経時的な計測、疾患の分類などを行います。対象となる画像には、X線、CT、MRI、超音波、PET、網膜写真、内視鏡動画、デジタル化された病理標本があります。医用画像解析は、画像を生成するスキャナーや再構成手法を指す医用画像診断の後に行われる解釈の工程です。臨床解析ツールは医療機器として規制されており、FDAが公開するAI搭載医療機器の一覧には、1,000件を大きく超える認可が掲載されています。その大半は放射線診断分野のものです。

医用画像解析の仕組み#

医用画像は、画素データとともに患者識別情報、スキャナー設定、スライス間隔などのメタデータを保存するDICOM形式で届きます。前処理の方法はモダリティによって異なります。CTの画素値はハウンスフィールド単位で校正されているため、肺や骨の「ウィンドウ」を使って、関連する輝度範囲をモデルの入力に対応させます。一方、MRIの輝度には固定スケールがないため、スキャンごとに正規化します。CTとMRIでは数百枚のスライスからなる3Dボリュームが生成され、モデルはスライス単位またはボリューム単位で処理します。また、デジタル化された病理標本は数十億画素に達するため、タイルに分割し、スライド単位のラベルしかない場合は多重インスタンス学習で処理します。

主なタスクは、解剖学的構造に適用する標準的なビジョンタスクです。

• 画像分類: 画像全体にラベルを割り当てます。たとえば、網膜写真から、紹介が必要な糖尿病網膜症が見られるかどうかを判定します。
• 物体検出: 結節、骨折、結腸ポリープなどの所見をBBoxで囲み、臨床医が注目すべき箇所を示します。
• 画像セグメンテーション: すべての画素またはボクセルにラベルを付け、臓器や腫瘍の輪郭を抽出して、体積計測や放射線治療計画に役立てます。
• 画像レジストレーション: 同じ患者を異なる時点または異なるモダリティで撮影したスキャンを位置合わせし、変化を計測できるようにします。

U-Netアーキテクチャは2015年に生物医学画像のセグメンテーション向けに設計されました。nnU-Netは新しいデータセットに合わせてU-Netのパイプラインを自動設定し、MONAIなどのオープンソースフレームワークは、医療に特化したデータローダーや変換処理とともに、これらのタスクを提供します。

ラベル付きスキャン画像を使った検出器のファインチューニングは、他のドメインと同じ手順で行います。Ultralyticsの脳腫瘍データセットは、MRIスライスと腫瘍ボックスを対応付けています。このデータセットでUltralytics YOLO26を学習すると、新しいスライス上で腫瘍領域を示すモデルが得られます。

from ultralytics import YOLO

# COCOで事前学習したYOLO26検出器を、ラベル付きの脳MRIスライスでファインチューニングします
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# 新しいMRIスライス上の腫瘍領域を検出します
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# 予測されたBBoxと信頼度スコアを付けてスライスを保存します
result.save(filename="brain_tumor_result.jpg")

医療分野での応用#

広く導入されている手法の一つがトリアージです。CT画像で脳出血や大血管閉塞による脳卒中の疑いを検出するソフトウェアは、放射線科医の作業リストで該当検査を最上位に移動します。また、放射線科医による最終読影がモデルのチェックも兼ねます。

その他の確立された用途には、スクリーニング、治療計画、処置があります。

• スクリーニング: スウェーデンのランダム化比較試験MASAIでは、AI支援マンモグラフィスクリーニングにより、偽陽性を増やすことなく標準的な二重読影より29%多くのがんが発見され、放射線科医のスクリーニング読影の作業負荷が44%削減されました。2018年には、IDx-DRが糖尿病網膜症のスクリーニング判定を行う機器として、臨床医による画像解釈を必要としない初のFDA認可機器となりました。
• 腫瘍学: セグメンテーションモデルは放射線治療計画のために腫瘍やリスク臓器の輪郭を抽出し、経過観察スキャンで腫瘍サイズを計測します。
• 病理学: モデルは病理標本全体の画像をスキャンしてがんを検出します。2021年にはPaige Prostateが、前立腺生検標本の画像からがんを検出するソフトウェアとして、初めてFDAの認可を受けました。
• 内視鏡検査: リアルタイム検出器は大腸内視鏡検査中にポリープを強調表示します。2021年には、GI Geniusがこの種のAI機器として初めてFDAの認可を受けました。

課題と考慮事項#

• 専門家によるラベル付け: アノテーションには放射線科医または病理医が必要であり、難しい症例では専門家の判断が分かれるため、ラベル付きデータセットは小規模で高コストになります。
• ドメインシフトとショートカット学習: スキャナー、プロトコル、患者集団は病院ごとに異なります。2018年の研究では、胸部X線で学習した肺炎分類器が、画像を撮影した病院を特定でき、学習データに含まれない病院のX線画像では性能が低下することが示されました。
• AIのバイアス: 患者集団を十分に代表していないデータで学習したモデルは、データ上で過小に代表されているグループに対して性能が低下します。
• 説明可能性: ヒートマップなどの説明は、臨床医がモデルの出力を信頼する前に、モデルが何を根拠にしたのかを確認するのに役立ちます。
• プライバシーと連合学習: 米国では患者データはHIPAA、欧州ではGDPRの適用対象です。DICOMヘッダーや画像に埋め込まれたテキストから個人を特定できないようにする必要があります。また、連合学習では患者データを集約せずに、複数の病院にまたがってモデルを学習します。
• 規制と更新: 認可済みモデルに大幅な変更を加える場合、通常は新たな規制当局への申請が必要です。FDAが2024年12月に発表した、あらかじめ定めた変更管理計画に関する最終ガイダンスでは、製造業者が計画中のモデル更新とその検証方法を初回申請で明示できます。