細胞診または組織診の全スライド画像を用いた悪性度と腫瘍原発部位予測のための深層学習

なぜ肺や腹部の体液が重要なのか

肺の周囲（胸水）や腹腔内（腹水）に体液がたまることは、がんが広がっている初期のサインであることがあります。医師はこれらの体液を顕微鏡で調べてがん細胞を探しますが、その作業は手間がかかり、専門家でも意見が分かれることがあります。本研究は、これらのデジタルスライド全体を走査して、がんの有無を判定し、さらに腫瘍がどこから始まった可能性があるかを示唆できる新しい人工知能（AI）システムを説明します。

顕微鏡スライドをデジタルマップに変える

現代の病理学ラボではガラススライドを超高解像度のデジタル画像として走査でき、各画像には数百万の細胞が含まれます。研究者らは、細胞の薄い「擦過（スミア）」と小さな組織片に似た緻密な「セルブロック」という2種類の前処理から得られた全スライド画像を用いました。対象は主要病院で採取された胸腔・腹腔の体液と、大規模な国際がんデータベースからの追加の組織サンプルです。スライド上のすべてのがん細胞を手作業で注釈することは不可能なため、研究チームは「悪性」「良性」といったスライド単位のラベルから学習できる方法を構築しました。

何を見ればよいかを自ら学ぶAI

このシステム（MAMILE‑UNI）は、2つの主要な考えを組み合わせています。まず、各スライドを多数の小さな画像パッチに分割し、事前に多数の病理画像で自己教師ありに学習された強力な「トランスフォーマー」ネットワークに通します。この自己学習のステップにより、モデルは細胞クラスターや組織のテクスチャなど、有用な視覚パターンを自律的に発見できます。次に、アテンションモジュールが診断にとって重要なパッチを学習し、病理医が疑わしい領域を探す動きを模倣します。診断に強く影響するパッチは強調され、アルゴリズムがスライドをがん性と判断した際に「見ていた」領域を示すヒートマップが生成されます。

胸部および腹部の体液でのがん検出

チームは胸水・腹水から得られた1,250枚の体液スライドでMAMILE‑UNIを評価しました。5つの先行する深層学習法と比較して、新しいシステムは一貫して高精度でした。胸水では、スミアおよびセルブロックのいずれでも、悪性と良性の区別を約10回中9回の正確さで行いました。腹水でも同様の精度を達成し、特に高感度（真のがんを見逃さない）と高特異度（誤検知を避ける）の両立に強みを示しました。統計検定により、その予測は実際の診断と高い一致を示し、競合するAIモデルより有意に優れていることが示されました。重要なのは、がん細胞がスライド上で稀少な場合でも、このシステムは信頼性を保った点であり、これは人間の読影者にとってしばしば難しい状況です。

がんの発生部位をたどる

単に悪性を示すだけでなく、著者らは転移性腫瘍の原発巣がどこかをAIに推定させられるかを検討しました。原発部位が不明な場合は大きな課題です。胸水や腹水の細胞診スミアを用いて、モデルは肺、乳房、消化管、婦人科領域などの広い原発グループにスライドを割り当てることを学習しました。特に肺がんと乳がんについては高い精度を示し、まれで視覚的に多様な腫瘍では性能がやや控えめでした。一般性を試すために、研究者らは69の世界中の病院からの1,196枚の組織（組織学）スライドにもMAMILE‑UNIを適用しました。これらの組織スライド上では、システムは原発部位を非常に高い精度で同定し、実際の診断とほぼ完全に一致するレベルに達しました。

速度、効率、臨床支援

病理医がデジタル細胞診スライドを注意深くレビューするには通常少なくとも10分を要します。これに対してMAMILE‑UNIは、ギガバイト級の画像をコンパクトな特徴セットに圧縮した後、標準的なグラフィックスカードで2分以内に全スライドを処理して予測を返せます。曲線ベースの評価は、モデルが真に悪性の症例を優先順位リストの上位に配置する傾向があり、意思決定閾値に応じた利得と害のバランスが良好で、出力する確率スコアが現実の転帰とよく整合することを示しました。アテンションマップは専門病理医がマークした領域と高い重なりを示し、AIの焦点が臨床的に意味のあるものであることを示唆します。

患者と医師にとっての意義

胸部や腹部に体液がある患者では、迅速かつ正確な診断が治療方針を大きく左右しますが、現在の検査は遅く、主観的で、高価になりがちです。本研究は、慎重に設計されたAIシステムがデジタルの体液および組織スライドを信頼性をもってスクリーニングし、がんの手がかりや発生部位に関する示唆を提供できることを示しています。しかも必要な計算資源は比較的控えめです。著者らはMAMILE‑UNIが病理医の代替ではなく支援ツールであり、作業負荷を軽減し、一貫性を高め、専門家の不足や高度な検査が受けられない環境でも質の高いがん診断へのアクセスを拡大する可能性があると強調しています。

引用: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

キーワード: 細胞診AI, 胸水, 腹水, 腫瘍原発予測, デジタル病理