日常的な検査データから急性白血病の亜型を予測するAIアルゴリズムの国際的検証と改良

なぜこれが世界中の患者にとって重要なのか

急性白血病の多くの患者にとって、専門医に会う前から時間との戦いが始まっています。高度な検査が乏しい、あるいは結果が出るのに時間がかかる地域では、どの種類の白血病かを特定するだけで数日を要することがあり、患者にとってその時間は致命的になり得ます。本研究は、ほとんどの病院で既に行われている日常的な血液検査だけを用いて、人工知能（AI）が迅速に考えられる白血病亜型を示唆できるか、特に資源の限られた環境で医師の判断を早められるかを検証します。

日常検査を早期警告に変える

研究者らは、居住する大陸や所得レベルが多様な16か国20施設で治療を受けた急性白血病患者6,206例の記録を集めました。特殊な画像や遺伝子検査に頼る代わりに、診断時に得られる血球数、凝固検査、基礎的な生化学検査などの標準的な検査値を既存のAIモデルに入力しました。狙いは、フランスのデータで構築されたツールが、非常に異なる病院・集団・年齢層でも急性骨髄性白血病（AML）、急性前骨髄球性白血病（APL）、急性リンパ性白血病（ALL）の3主要型を識別できるかを確認することでした。

強い指標、しかし恩恵を受ける人の差

成人に広く適用したところ、AIモデルは全体として良好に機能しました。特に早期認識が生存に大きく影響するAMLとAPLで高い精度を示しました。ただし、元のバージョンには結果を非常に確信できる場合にのみ報告する厳格な内部“信頼度”ルールがありました。これにより理論上の成績は優れて見えましたが、実際には90％以上の患者にAIからの示唆が一切得られない可能性がありました。さらに、そのルールを外しても性能は施設間や白血病の型によって大きくばらつき、患者年齢、地域ごとの疾病パターン、使用される検査機器の違いが反映されていることが分かりました。

現実の雑多なデータに対応させる

日常診療で有用にするために、研究チームは失敗したケースの原因に着目しました。正しく識別された患者と誤って識別された患者の基礎的な検査パターンを比較し、どの測定値が重要かを統計的説明手法で明らかにしました。APLを他の型と区別するうえで凝固マーカーや赤血球の性状が特に重要であること、白血球のパターンがAMLとALLを分ける手がかりになることが分かりました。研究者らは次に、AIがこれまでに見たものと大きく異なる「外れ値」的な検査結果を検出する前処理ステップを追加しました。二つのフィルターを組み合わせ、一部の症例のみを除外することで、従来は信頼度閾値を下回っていた困難な集団での精度を高めつつ、大多数の患者に対して予測を利用可能なままにしました。

成人だけでなく小児にも適応する

小児の白血病患者は成人と異なる検査パターンを示すことが多く、これは大きな影響を及ぼしました。成人データで訓練されたAIを1,746人の小児患者に適用すると、特にAMLで性能が低下しました。チームは、凝固因子や細胞数などの重要な血液値が若年患者では異なる範囲をとることを示しました。性能低下を容認するのではなく、小児データでAIを再訓練したところ、小児のALLとAMLの認識能力が大幅に改善し、稀な小児APLに対しても良好な結果を維持しました。これは、診断支援を目的とするAIは対象とする集団に合わせて調整する必要があるという重要な教訓を示しています。

より速く、より公平な白血病ケアへ

著者らは、このAIツールが顕微鏡検査、フローサイトメトリー、遺伝学的検査といった確定診断のゴールドスタンダードを置き換えるものではないと強調しています。代わりに、既に広く利用可能な検査を用いて迅速に考えられる白血病亜型を示す手段を提供するものです。多様な病院に対応するようモデルを改良し、不確実な予測を除外するフィルタを導入し、小児版を作成することで、本研究は専門医への紹介や救命治療までの時間を短縮する助けになり得ることを示しました。今後は、このような意思決定支援が早期死亡率を実際に低下させるかを試験する臨床試験が求められており、現代の白血病治療の恩恵を居住地に関わらず患者に近づける基盤を築いています。

引用: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

キーワード: 急性白血病, 人工知能, 診断支援, 健康の公平性, 臨床検査