ヒストパソロジー画像から深層学習を用いて原発性と転移性ムチン性卵巣癌を区別する

患者と医師にとっての意義

卵巣がんと診断されたとき、次に重要なのはがんがどこから始まったかです。ムチン性卵巣癌という一般的な病型では、卵巣内の腫瘍が卵巣に由来する原発性のがんなのか、胃や腸から転移してきたものなのかのいずれかであり、両者は治療や予後が大きく異なります。しかし顕微鏡で見ても専門の病理医が識別に苦労することがありえます。本研究は、デジタル顕微鏡画像を解析してこの二択をより正確かつ効率的に支援する専用の人工知能（AI）システムを紹介します。

似て見えるが経路の異なる二つのがん

ムチン性卵巣癌は大量の粘液を含む大きな腫瘍を作ることが多く、卵巣に発生した場合でも消化管から転移してきた場合でも見た目が非常に似ていることがあります。従来、病理医は染色標本の形態的手がかり、追加の免疫染色や画像検査、臨床経過などを総合して判断してきました。それでも、体内の他部位に小さなあるいは隠れた腫瘍が存在する場合には診断が不確かになることがあります。過去の研究では腫瘍の大きさ、片側か両側か、特定の細胞型といったチェックリストが提案されましたが、転移腫瘍が原発卵巣腫瘍を巧妙に模倣する場合にはこれらの規則は破綻します。転移を原発と誤診あるいはその逆をしてしまうと、不適切な手術や化学療法を招き、予後の説明も誤ることになります。

組織画像を読めるようにコンピュータを教育する

デジタル病理と深層学習は新たな道を拓きます。本研究では、3つの病院から記録が確かなムチン性卵巣腫瘍の167例の顕微鏡画像を収集しました。対象はすでに日常診療で用いられている標準的なヘマトキシリン・エオシン（H&E）染色標本です。研究チームはMucinous Ovarian Carcinoma Origin Prediction Model（MOCOPM）を構築し、全スライド画像を多数の小さなパッチに自動分割して、臨床情報を付加せずに解析します。複数のニューラルネットワーク設計を比較したところ、病理医が異なる倍率で観察を切り替える様子にヒントを得た新しいグラフベースのモデルが最良の成績を示しました。このモデルは3段階のズームレベルでパッチ同士を結びつけ、細胞レベルの微細な特徴と広がりを伴う増殖パターンの両方を捉えられるようにします。

実臨床環境でのAIの性能

MOCOPMはまず難易度の高い症例が集まる大規模な紹介病院の症例で学習と検証を行いました。この内部データ群では、原発性と消化管由来の転移性腫瘍を高い精度で区別し、受信者動作特性曲線下面積（AUC）は0.91でした。次に、このシステムをスライド作製が独立して行われ、比較的典型例が多い2つの別の病院の画像で検証したところ、AUCは0.96とさらに良好で、適合率や再現率も高い結果を示しました。別の研究グループが公開している原発性ムチン性卵巣癌のデータセットでも堅調に動作したことから、異なる供給源に対しても比較的頑健であることが示唆されます。

ブラックボックスの内部を覗く

AIは不透明に見えがちなので、研究者たちはGNNExplainerという解釈手法を用いて、モデルの判断に最も影響を与えたスライド上の領域を可視化しました。彼らが精査した正しく分類された多数の症例では、ハイライトされた領域は人間の専門家が使う特徴と重なることが多く、例えば印環細胞（signet ring）様の細胞クラスター、腫瘍細胞の周囲組織への浸潤パターン、良性・境界性・明らかに悪性の成分が混在する様子などが含まれていました。この重なりは、システムが単なる視覚的な偶然の特徴を拾っているのではなく、医学的に意味あるパターンに着目していることを示唆します。重要なのは、MOCOPMは日常のH&E標本のみで動作するため、追加の広範な免疫染色を減らして時間と費用を節約できる可能性がある点です。

将来の医療にもたらす可能性

著者らはMOCOPMを病理医の代替とするのではなく、意思決定を支援するツールとして位置づけています。忙しい現場や資源の限られた環境では、難しい症例をフラグ付けしたり、スライド上の注目すべき領域を示したり、最終診断の前の追加のチェックとして働くことが期待されます。本研究には限界もあります：対象となるがんは稀で症例数は限られ、消化管以外からの転移腫瘍は含まれていません。日常診療へ組み込むにはより大規模で前向きな研究が必要です。それでも、本研究は慎重に設計されたAIが卵巣がんの最も困難な鑑別の一つを支援し、患者が本当にがんが始まった場所に応じた治療を受けられるよう手助けする可能性を示しています。

引用: Zhang, MY., Liu, B., Qin, ZJ. et al. Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning. npj Digit. Med. 9, 276 (2026). https://doi.org/10.1038/s41746-026-02459-y

キーワード: ムチン性卵巣癌, デジタル病理, 深層学習, グラフニューラルネットワーク, がん診断