前臨床動物モデルを用いて脳動脈瘤の組織増殖を調査する機械学習パイプライン

脳動脈の小さな膨らみが重要な理由

脳動脈瘤は脳の血管にできる風船のような小さな膨らみで、予告なく破裂して脳卒中や死亡を引き起こすことがあります。より侵襲の少ない一般的な治療法の一つは、膨らみの内部に軟らかい金属コイルを詰めて血栓を作らせ、新しい組織が内側から弱い箇所を徐々に塞ぐというものです。しかし、治癒した組織が実際に動脈瘤をどの程度満たしているかを正確に測ることは、医師や研究者にとって依然として難題です。本稿の元となる論文は、人工知能（AI）を用いて高倍率の顕微鏡画像を精密かつ再現性のある測定値に変換し、この目に見えにくい治癒過程を定量化することを目指しています。長期的には、患者にとってより安全で持続性のある治療を個別化する助けとなることが期待されます。

繊細な脳血管から実験室モデルへ

臨床では、動脈瘤は開頭手術でクリップを頸部にかけて治療するか、血管内コイリングで小さなコイルを血管内から動脈瘤内部に送って展開することで治療されます。コイリングは侵襲が小さく、新しい組織の足場として働くことがありますが、コイル治療を受けた動脈瘤のうち最大で4分の1は再発し再手術が必要になることがあります。動物モデルは、なぜ一部の動脈瘤が他よりも良く治癒するのかを研究する手段を提供します。本研究では、マウスの頸動脈に動脈瘤を作製し、白金コイルで治療を行い、一部には組織修復を促す分子を被覆したコイルを用いました。動脈瘤領域を薄切して染色したスライドを顕微鏡で撮像し、血栓や結合組織、嚢内のリモデリングに関する豊富な情報を捉えました。

顕微鏡画像を使える数値に変換する

従来、専門家はこれらの組織スライドを目視で評価し、新しい組織がどの程度動脈瘤空洞を満たしているかを推定してきました。しかしその方法は遅く、主観的で、研究室間で標準化しにくいという欠点があります。著者らは、動脈瘤嚢の輪郭を描くことと新生組織の領域を特定することという二つの主要タスクを自動化するための機械学習パイプラインを設計しました。彼らは医療画像セグメンテーション向けに開発された最新版の画像解析ネットワーク Unet++ を採用し、高解像度の組織学画像に適用するよう調整しました。学習前に画像はリサイズ、正規化され、回転や反転、スケール変化などの拡張が施され、モデルが自然な変動に対処できるようにしました。ネットワークは単純な二値マスクを出力するのではなく、各ピクセルが嚢に属する確率を示す滑らかなグレースケールの“ヒートマップ”をまず生成し、それを画像処理で確立された閾値処理で鮮鋭化しました。

AIは専門家の目をどれだけ再現するか

一度動脈瘤の境界が定義されると、システムはその領域の何割が増殖した組織で占められているかを測定しました。64枚の画像を用いて10分割交差検証を行った結果、AIによる嚢の輪郭と増殖領域は専門家の描いた領域と非常に良く重なり、重複スコアは90％台中盤で、標準的な分類曲線上でもほぼ完璧な性能を示しました。研究者らがAIの組織増殖測定を人間の“ゴールドスタンダード”と比較したところ、点は理想線上に密に並び、自動化手法が専門家の判断に密接に一致していることが示されました。AIが訓練を受けた人間の助手と同等以上に一貫しているかを調べるために、四人のブラインド評価者とモデルが別の画像セットを評価しましたが、専門の脳外科医との一致度はAIが最も高く、アルゴリズムが疲労や個人的偏りのない専門家レベルの一貫性を提供することを示唆しました。

非専門家でも使えるツールとして構築

高度なコードだけでは臨床や研究実務を変えられないことを踏まえ、チームはパイプラインをウェブブラウザ上で動作するクラウドベースのグラフィカルインターフェースに組み込みました。ユーザーは新しい動脈瘤スライドをアップロードし、事前学習済みモデルを実行して、元画像の上に嚢と増殖組織のカラーオーバーレイを即座に表示できます。インターフェースは総嚢面積や増殖率といった簡単な幾何学的測定値も報告し、必要に応じて境界を手動で修正することも許します。プラットフォームはオープンソースのデジタルスライドシステム上に構築されているため、他の研究者が自分のワークフローにツールを接続し、前臨床研究における動脈瘤治癒の標準化された共有可能な指標を促進できます。

将来の動脈瘤治療にとっての意義

一般の人に向けた核心的なメッセージは、この研究によりコンピュータが治療された脳動脈瘤内部の“瘢痕”を専門家と同程度の信頼性で測定できるようになったということです。粗い視覚的推定を客観的な数値に置き換えることで、科学者はマウスモデルでコイルや薬剤被覆、その他の治癒促進戦略をより正確に比較できるようになります。現時点の成果はマウス動脈と単一の染色法に限られるものの、AIが複雑な顕微鏡画像を生物学的安定性の標準化されたスコアに変換するための設計図を示しています。長期的には、この種のツールが動脈瘤修復をより完全かつ持続的に設計するのに役立ち、脳血管の危険な膨らみが再発する可能性を低下させる助けとなるかもしれません。

引用: Afsari, F., Ansari, I., Martinez, M.E. et al. A Machine learning pipeline to investigate tissue ingrowth in cerebral aneurysms using preclinical animal models. Sci Rep 16, 13352 (2026). https://doi.org/10.1038/s41598-026-43798-w

キーワード: 脳動脈瘤, 血管内コイリング, 組織増殖, 組織学AI, 画像セグメンテーション