正常乳房組織（NBT）分類器：正常乳房組織の区画分類を前進させる

「正常」乳房組織に潜む早期の手がかりを探す

乳がんスクリーニングは通常、腫瘍や疑わしいしこりに焦点を当てますが、重要な警告サインは腫瘍が形成されるずっと前から隠れていることがあります。本研究は一見単純だが大きな意味を持つ問いを投げかけます：人工知能（AI）は本当に健康な乳房組織がどう見えるかを学習できるか、その結果ごく小さな初期の変化がより明瞭に浮かび上がるか？研究者たちはコンピュータに正常乳房組織の主要な構成要素を認識させることで、がんへの最初の一歩を検出するためのより堅牢な参照地図を作ろうとしています。

なぜ正常乳房組織が重要なのか

乳がん研究の多くは病変組織に焦点を当てますが、がんは顕微鏡下では正常に見える組織の中から始まります。乳腺では、ミルクを作る構造とそれを支える周囲組織が、線維性領域と脂肪の混在の中に存在します。小葉（ミルクが作られる小さな嚢）やその周囲の間質（支持性結合組織）周辺での微妙な変化は、がんリスクの上昇を示すことがあります。これは遺伝的にBRCA1やBRCA2変異を持つ女性やリスク低減手術を受ける女性に特に関連します。こうした静かなシグナルを読み取るには、多くの女性と医療施設にわたって「正常」がどう見えるかを正確かつ定量的に記述する方法が必要です。

多様な健康スライドのライブラリを構築する

研究チームは、英国、オランダ、スイスの5つの機関と公開組織バンクから得た正常乳房組織の高解像度デジタル画像70点を収集しました。これらのサンプルは16歳から74歳のさまざまな背景の女性からのもので、健康ボランティア、乳房縮小手術を受けた女性、遺伝的に高リスクな遺伝子変異を持つ女性、反対側の乳房にがんがある女性などが含まれます。専門の病理医が各スライド上で3つの主要成分――上皮（管や小葉を覆う細胞層）、間質（線維性および結合組織）、脂肪細胞（脂肪組織）――を慎重にマーキングしました。この手間のかかる注釈作業により、組織処理、染色、スキャンの現実的な違いを反映した多様で豊かな参照データセットが作られました。

コンピュータに組織タイプを見分けさせる

この注釈付きライブラリを用いて、研究者たちはNBT分類器と呼ばれる深層学習モデルを訓練し、大きなスライドから切り出した小さな画像パッチを見て3種類の組織を認識させました。パッチサイズや染色の標準化方法、ニューラルネットワークのアーキテクチャなどさまざまな技術的設定を比較し、最適な組み合わせを見つけました。別の施設からの完全に独立した正常スライド群で評価したところ、モデルは上皮、間質、脂肪をほぼ完璧に識別しました。視覚的な“ヒートマップ”は、AIが細胞の多い領域、コラーゲン繊維、脂肪細胞の境界など生物学的に意味のある構造に着目していることを示し、人間の病理医が組織を解釈する方法を反映していました。

正常組織が正常に見える理由

正常組織のみで訓練することが利点を生むかを調べるため、著者らは正常、前がん、がんのサンプルを混ぜて訓練された既存ツールと比較しました。両者とも広い意味での組織タイプは識別できましたが、新しいNBT分類器は真に正常な乳房上皮の微細な構造をよりよく捉えていました。早期病変や腫瘍を含むパッチに対しては、正常のみで訓練したモデルの方が健康に見える領域と異常領域をより確実に区別しました。これはモデルがより鋭い「正常」の定義を学習しており、初期の病変に伴う微妙な逸脱を浮き彫りにする助けになる可能性を示しています。

全スライドから特定領域へ

モデルはパッチ単位で機能するため、デジタルスライド全体に適用でき、各小領域を自動で上皮、間質、脂肪に色分けできます。研究者たちは、まずスライド上の組織の存在を検出し、その後NBT分類器を走らせて詳細な組織区画マップを作成するエンドツーエンドのパイプラインを構築しました。これらのマップからシステムは個々の小葉とその直近の周囲を特定し、さらに計測を行うためのマスクを生成し、選択領域をより高度な解析ツールに供給できます。これにより、小葉の外側すぐの間質のような初期がん関連変化が現れやすい特定の微小環境を研究しやすくなり、構造的特徴を空間的な遺伝子やタンパク質のマップなど他のデータタイプと組み合わせることが将来的に可能になります。

今後の乳がん予防にとっての意義

端的に言えば、本研究はAIが病理医が解釈できる形で非常に高い精度で健康な乳房組織の構成要素を認識するよう訓練できることを示しています。膨大で複雑なデジタルスライドを上皮、線維性、脂肪領域の構造化されたマップに変換することで、NBT分類器は多くの女性や病院にわたる「正常」の信頼できるベースラインを作ります。この正常性のより明確な像は、現在よりも早い段階でがん発生のかすかな足跡を検出しやすくし、将来的には高リスクの女性を特定し、目に見える腫瘍が現れる前に予防戦略を導くための支援ツールの基盤となる可能性があります。

引用: Chen, S., Parreno-Centeno, M., Booker, G. et al. Normal breast tissue (NBT)-classifiers: advancing compartment classification in normal breast histology. npj Breast Cancer 12, 41 (2026). https://doi.org/10.1038/s41523-026-00896-2

キーワード: 正常乳房組織, 計算病理学, 深層学習, 早期がん検出, デジタル組織学