デジタル化された胃生検での腸上皮化生検出と定量化に向けた深層学習ベースの手法：多専門家比較研究

なぜこれはあなたの健康に重要か

胃がんは、発見が遅れることが多いため世界で最も致命的ながんの一つであり続けています。医師は、胃の粘膜に見られる前がん性の変化である腸上皮化生が、腫瘍が現れる何年も前からリスクが高いことを示す重要なサインであることを知っています。しかし現在、その警告サインの判定は目視に頼っており、同じ生検標本を二人の専門家が見ても重症度の評価が一致しないことがあります。本研究は、その重要な早期警告の段階において、人工知能がより一貫性と精度をもたらせるかを検討しています。

医師は胃の問題をどう探すか

胃の病変の有無を調べる際には、胃のいくつかの標準部位から小さな組織サンプルが採取され、顕微鏡で観察されます。病理医は炎症、正常な腺組織の消失、特に本来存在しない場所に腸のような細胞が現れることといった手がかりを探します。これらの変化が広範であるほど、また胃のより多くの領域に及ぶほど、その人が将来胃がんを発症する推定リスクは高くなります。現在のスコアリングシステムは、これらの視覚的所見を非常に低いリスクから非常に高いリスクまでの段階にまとめ、患者の追跡頻度を決める指針となります。

人間の判断だけでは抱える問題

これらのシステムは臨床で広く使われていますが、病理医がどの程度の組織が変化しているかを推定することに依存しています。これまでの研究や日常的な経験は、十分に訓練された専門家でも推定にかなりの差が生じることを示しています。本研究では、3人の病理医がコロンビアのボランティアや患者から採取された200セット以上の胃生検標本を独立して評価しました。彼らの一致度は軽度から中程度にとどまり、同じ症例でも誰が読影するかによって異なるリスク段階が付く可能性があることを示しました。この変動は、一部の人が誤って安心させられたり、逆に実際のリスクより高いリスクを告げられたりする懸念を生じさせます。

生検スライドを読むようにコンピュータを教える

研究者たちは、画像認識に優れた人工知能の一種である深層学習が役立つかどうかを検討しました。被験者ごとに5つの生検サンプルを非常に高倍率でデジタル化し、まず組織内の腺構造（早期変化が現れる場所）を特定するための特殊なアルゴリズムを用いました。これらの領域から多数の小さな画像タイルを抽出しました。経験ある病理医があらかじめ腸上皮化生の存在する領域を輪郭取りしており、それによりタイルを変化あり／正常のいずれかとしてラベル付けできました。複数の現代的ニューラルネットワーク構成が段階的に訓練され、まず既存の大規模画像データベースから学習し、その後これらの胃サンプルで微調整されて、化生領域と正常領域を区別するようにしました。

コンピュータが見つけたものとその比較

テストされたモデルの中で、ある特定のアーキテクチャが最良の結果を達成し、多くのタイルで腸上皮化生を正しく同定し、他の医用画像タスクで見られる水準に匹敵する性能を示しました。タイル単位の予測を全スライド画像に貼り戻すと、変化した腺が存在する可能性の高い場所を示す色分けマップが得られました。これらのマップから、プログラムは各生検部位で変化した組織の割合を自動的に算出し、その割合を人間の専門家が使うのと同じリスク段階に変換しました。モデルはある一人の病理医に完全に一致したわけではありませんが、彼らの推定と高い相関を示し、重要な点として、症例ごとの一貫性は人間同士の一致よりも高かったです。

将来の診療にとって何を意味するか

本研究は、深層学習システムが胃生検の信頼できる“セカンドリーダー”として機能し、組織のどの程度が前がん性変化を示すかについて客観的な測定を提供できる可能性を示唆しています。病理医を置き換えるのではなく、こうしたツールは信頼できる基準を提供して推測や意見の相違を減らし、真にリスクの高い患者が適切に特定されて監視されるのを助けることが期待されます。異なる病院でのさらなる検証や組織サブタイプのより詳細なラベリングが進めば、このアプローチは誰をより綿密に追跡すべきかについて、より個別化され自信を持った判断を支援するようになるでしょう。

引用: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

キーワード: 胃がん, 腸上皮化生, 深層学習, デジタル病理, がんリスクの階層化