スペクトルイメージングと人工知能を用いた甲状腺がんの検知と分類

甲状腺がんを早期に見つけることが重要な理由

甲状腺がんはホルモンを分泌する腺の中で最も頻度の高いがんであり、その診断は依然として顕微鏡を通して病理医が見る所見に大きく依存しています。しかし、特に境界例では専門家の間でも意見が分かれることがあります。本研究は、標準的な甲状腺組織スライドを高度な光学測定と人工知能で読み取る新しい手法を紹介し、正常組織とがんをより正確かつ一貫して区別することを目指しています。

組織スライドの「普通の色」だけでは見えないものを見る

日常診療では、手術で切除された甲状腺組織は薄く切片化され、ピンクと紫の色素で染色されて顕微鏡で観察されます。これらの色は、細胞核や周囲組織を強調するヘマトキシリンとエオシンという二つの染料によるものです。従来のデジタルスキャナーはこれを電話カメラのような赤・緑・青（RGB）画像に変換します。本研究チームはこれとは異なるタイプの撮像システム、いわゆるスペクトルイメージングを構築しました。これはスライドのごく小さな点ごとに可視光スペクトルの数十の波長にわたる光の吸収を測定し、わずかな色の違いまで捉える「色の指紋」を得ます。この豊富な情報は、がんでしばしば変化する細胞核内の遺伝物質の詰まり具合や配列の違いに結びつく微妙な差異を捉えます。

単一細胞のスペクトルを実用的な情報に変換する

これらの詳細な測定を活用するために、研究者らはまず専門の病理医に各スライド上で明らかに正常な領域と明らかに腫瘍性の領域を輪郭で示してもらいました。その後、スペクトル顕微鏡で各検体を約5〜10分で走査し、ピクセルごとに約40の光強度値を収集しました。医療画像で広く使われる設計に基づく特殊なニューラルネットワークが自動で個々の細胞核を検出し輪郭を描きました。各核について、システムは平均スペクトルや大きさ・形状を算出し、さらにそのスペクトルが典型的な正常核や典型的ながん核とどれほど異なるかを評価しました。このようにして、病理医が質的に「より濃い」あるいは「より密集している」と表現する核の特徴が、コンピュータで解析可能な数値的特徴へと翻訳されます。

正常細胞とがん細胞を分ける二つの道筋

研究では、細胞を分類する二つの補完的な方法を検証しました。半自動化アプローチでは、病理医が一つの領域を正常、もう一つを腫瘍としてマークします。システムは各核のスペクトルをこれら二つの領域から得られた参照スペクトルと比較し、単純なクラスタリング法でおおむね正常と思われる核とがんと思われる核を分けます。この手法は主要な甲状腺がんサブタイプで感度と精度のバランスを示すF1スコアが約0.8以上を達成し、特徴が混在する境界核を除外するとさらに改善しました。完全自動化アプローチでは、ランダムフォレストと呼ばれる機械学習モデルが15万個を超えるラベル付き核から学習し、核の大きさ・形状・スペクトル挙動に現れるがんを示すパターンを認識しました。別の患者群で検証しても、手動の領域ラベリングを必要とせずにF1スコア0.82以上を達成しました。

個々の細胞から組織全体の判断へ

治療方針は単一の細胞の運命ではなく、より大きな組織領域ががんであるかどうかや病変の広がりに基づいて決められます。そこで研究者らは、細胞を小さなサブ領域にまとめ、その領域の核の多数ががんらしければその領域を腫瘍とラベルする方法でシステムの挙動を評価しました。領域ベースの見方は、特に正常組織での誤警報を減らすことで精度をさらに高めました。重要な点は、このアプローチが透明性を保っていることです。各判定は可視化可能な細胞特徴やスペクトルに遡って説明でき、臨床での採用を難しくする「ブラックボックス」的な振る舞いを避けています。

患者と医師にとっての意義

本研究は、詳細なスペクトル測定と慎重に設計されたAIを日常の甲状腺スライドに組み合わせることで、専門家でも判断の難しいサブタイプを含め、がんが存在する場所を信頼性高く示せることを示しています。世界中で既に使われている標準的な染色法で動作するため、組織の前処理を変えずにデジタル病理のワークフローに組み込める可能性があります。病理医を置き換えるのではなく、スライド全体でおおむね正常または腫瘍である核のマップを提示して難しい診断を裏付け、レビューを迅速化し、見逃しや不必要に侵襲的な治療のリスクを低減する助けとなるでしょう。

引用: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

キーワード: 甲状腺がん, デジタル病理, スペクトルイメージング, 人工知能, がん診断