皮膚組織病理画像のセマンティックセグメンテーションに対する増分学習アプローチ

コンピュータに皮膚標本の読み取りを教える意義

皮膚がんは世界で最も一般的ながんの一つで、医師は顕微鏡で薄切片を観察して腫瘍の深刻度や治療方針を判断することが多いです。これらのスライドを読む作業は時間がかかり負担が大きく、専門家間で結果がばらつくこともあります。本研究は、こうした顕微鏡画像上で異なる皮膚組織やがんを認識するコンピュータシステムの構築方法を探り、重要な点として、新しい種類の画像が追加されても時間とともに性能を向上させ続けられる仕組み—まるで研修医がキャリアを通して学び続けるように—を実現することを目指しています。

単純な二択から詳細な組織マップへ

既存の多くの皮膚がん向け人工知能ツールは、画像を見て「がん」か「非がん」かといった狭い問いに答えるものです。役立つ一方で、こうした二者択一は病理医が目にする豊かな情報を捉えきれていません。実際には医師は複数の構造を同時に評価します：異なるがん種、正常な皮膚層、毛包、腺、炎症領域など。本研究では代わりに「セマンティックセグメンテーション」に注目し、病理画像の各ピクセルを12の組織カテゴリのいずれかに割り当てます。これにより色分けされたマップが得られ、各種のがんや正常組織がどこにあるかが正確に示され、診断や治療計画のためのより明確な指針を提供します。

既存の高度なシステムが適応に苦労する理由

現在の強力なディープラーニングモデルは通常、すべての学習データが一度に利用可能であることを前提とします。一度訓練されると知識が固定化されがちです。例えば別の倍率で撮影された新しいデータが後から導入されると、もっとも安全な選択肢はしばしばモデルを最初から再訓練することです。それはコストと時間がかかり、さらに悪いことに新しい情報の追加によって以前の課題の性能が突然低下する「壊滅的忘却」が起こることがあります。臨床現場ではスキャナの更新、撮像設定の変化、病院で収集される標本の多様化などによりデータは常に進化します。そうした変化をうまく取り込めないAIツールは日常的な運用で信頼を得にくいです。

人間の学び方に着想を得た段階的学習戦略

著者らは最新のビジョントランスフォーマーアーキテクチャであるSegFormerを基盤にし、非メラノーマ皮膚がんに対する「増分学習」システムへと転換しました。すべてのデータを一度に見る代わりに、モデルは段階的に学習します。公開されているクイーンズランド大学の病理スライドデータセットを用い、まず細部が明瞭な高倍率（10×）画像で学習します。次に5×、さらに2×の画像を順に追加しつつ、初期の高詳細データの一部は学習セットに残します。特殊な損失関数により、新しいモデルが粗い視野に適応する間も、以前に獲得した組織パターンの知識を保持できるようにします。この「忘れない学習」は、以前のモデルが新しいモデルの教師として機能するナレッジディスタillation（知識蒸留）や、古い表現と新しい表現の調和を促す相互蒸留項によって導かれます。

ズームレベルと希少組織タイプにまたがる学習

病理画像が難しいのは組織タイプが多いだけでなく、重要な構造が稀にしか現れないことにもあります。データセットには基底細胞がんや扁平上皮がんといった一般的ながんに加え、正常や炎症を含む皮膚層が含まれ、それぞれ専門家によってピクセル単位で注釈が付けられています。注釈作業は数百時間を要する骨の折れる工程です。著者らは巨大なスライドを小さなパッチに切り分け、各倍率ごとに組織クラスの比率を保ったまま訓練・検証・テストの分割を慎重に行ってモデルを訓練しました。臨床的に重要だが稀な領域を認識させるため、回転などのデータ増強で過少表現クラスを拡張し、同じ組織を複数のズームレベルでモデルに提示しました。この多解像度での露出により、鮮明な近接像でも、よりぼやけたズームアウトした像でも同一の生物学的構造を認識できるようになります。

従来手法と比べてモデルが達成したこと

単独で訓練された各倍率のSegFormerモデルは、多くの組織カテゴリで従来の畳み込み設計（例えばU-Net）を上回る性能を示しました。しかし増分学習スキームを適用し、まず10×で訓練し、次に10×と5×、最後に10×・5×・2×を組み合わせて訓練すると、改善は顕著になります。全体精度は10×のみの約89％から、三つの倍率すべてを含めると95％超に上昇しました。予測領域と真の領域の重なりを示す指標も着実に改善し、基底細胞がんや扁平上皮がんといったがん種や表皮・乳頭真皮といった主要な正常層での性能は競合手法を上回りました。重要なのは、新しいズームレベルを追加してもモデルが以前に学んだことを忘れず、むしろ組織構造の理解がより頑健で一般化されていく点です。

この研究がAI支援診断を臨床に近づける方法

専門外の読者に向けた主なメッセージは、著者らが新しい種類の画像を学び続けながら古い技能を失わない皮膚組織の「マップ作成器」を作り上げたことです。モデルを段階的に学習させ、過去の知識を再利用する設計を丁寧に行うことで、医療画像の実務が進化しても適応できるAIツールを構築できることを示しています。病院間や疾病タイプをまたいださらなる検証は必要ですが、この増分的なトランスフォーマー基盤のアプローチは、変化するデータに追随し続け、がんの所在を詳細に可視化し、最終的には病理医がより自信を持って一貫した治療判断を下すのを支援する方向を示しています。

引用: Fatima, S., Salam, A.A., Akram, M.U. et al. Incremental learning approach for semantic segmentation of skin histology images. Sci Rep 16, 9593 (2026). https://doi.org/10.1038/s41598-025-31553-6

キーワード: 皮膚がん, 病理画像, セマンティックセグメンテーション, 増分学習, ディープラーニングトランスフォーマー