ゼロショット学習に基づく一般化可能な眼疾患検出法

なぜ早期の眼の警告が重要か

多くの深刻な眼疾患は、訓練を受けた専門家でも見逃しがちな極めて微細な変化から始まります。糖尿病の初期合併症である軽度の糖尿病性網膜症はそうした静かな前兆の一例で、早期発見によって視力喪失を防げる一方で、網膜写真の綿密な検査と大量の専門家によるラベル付け画像が、現在の人工知能（AI）システムを訓練するために必要です。本研究は、医師が特定の病変の例を一切ラベル付けしていなくても早期の疾患を検出できるよう学習する新しいタイプのAIを提案し、より迅速で安価な眼科スクリーニングの普及への道を開く可能性を示します。

答えなしで機械に教える新しい方法

研究者らはゼロショット学習と呼ばれる概念を土台にしています。これはAIが事前にラベル付けされた例を見ずに新しいものを認識する方法です。疾患ラベルを暗記する代わりに、システムは臨床医の推論に似たやり方を模倣します。すなわち、視覚的パターンを共有する関連疾患を探し、そこから学んだ知識を移転します。本研究では軽度の糖尿病性網膜症（DR1）に焦点を当てつつ、DR1としてラベル付けされた画像を一枚も使わずに手法を訓練しました。代わりに、LCFP-14Mと名付けた大規模な網膜写真リソースを構築し、100万枚以上の画像と複数の公開データベースから集めた11の眼疾患カテゴリーを統合しました。この多様な画像群が、AIが疾患のパターンを推測するための視覚的“経験”を提供します。

類似疾患を見つける

どこから知識を借用するかを決めるために、システムの最初のステップは異なる眼疾患が互いにどれだけ見た目で似ているかを測ることでした。研究チームはシアミーズネットワークを用いました。これは2つの同一のモデルが同時に2枚の網膜画像を検討し、それらが同じ疾患に属する可能性が高いかどうかを学習する仕組みです。数千組の画像ペアを比較することで、モデルは11の疾患が軽度糖尿病性網膜症とどの程度類似しているかの地図を構築しました。その結果、網膜の後方が伸びて薄くなることで起こる変性近視が、初期の糖尿病性変化と最も強く相関することが分かりました。人間の言葉で言えば、変性近視がシステムに教えるべき“最も近い近縁”となったのです。

ごく小さな病変がどう見えるかを教える

適切な“教師”疾患が見つかった後の課題は、初期の糖尿病性損傷で特に重要な網膜上のどのスポットを示すかをAIに教えることでした。研究者らはU-Netと呼ばれる第二のモデルを使い、専門家がマークした3つの主要な徴候――血管の小さな膨らみである微小動脈瘤、小さな出血、淡いコットンウールスポット――を含む既存のデータセットでセグメンテーションシステムを訓練しました。これらは軽度段階に固有というわけではありませんが、合わせて網膜循環における初期の損傷の痕跡を描き出します。U-Netはこれらの病変だけを強調表示することを学び、生の写真を重要な警告サインが際立つ焦点化された地図へと変換し、重要度の低い詳細は背景へと目立たなくします。

未知の疾患を健康と非健康にクラスタリングする

病変に焦点を当てた視点を得た後、システムは変性近視の患者からの画像を処理しましたが、糖尿病様の病変が強調され疾患固有のアーチファクトが抑えられた状態でした。三番目のモデルはResNetベースで、凝集型クラスタリングアルゴリズムと組み合わせ、これらのセグメント化された画像をコンパクトな数値的記述に変換し、自然に2つのクラスタに分けました。重要なのは、このアルゴリズムがどの目が健康でどれが病的かを示すラベルを一切与えられていなかった点で、単に共有される視覚パターンに基づいて画像を整理しただけでした。後に独立したテストセットの真の臨床ラベルとこれらのクラスタを比較すると、あるクラスタはDR1に対応し、もう一方は非病的な眼に対応しており、AIが独力で軽度糖尿病性網膜症を“発見”したことを示しました。

新しい手法の性能はどれほどか

このゼロショットシステムが実用的かどうかを判断するために、研究者らは限られた数のラベル付き例を見せた従来の「フューショット」深層学習モデルと比較しました。ResNet、VGG、MobileNet、AlexNetといった一般的なアーキテクチャを少量のラベル付きデータで訓練し、外部データセットEyePACS上で評価しました。ゼロショットモデルは訓練中にDR1のラベル付き画像を一度も与えられていないにもかかわらず、約83％の精度と高いAUC（曲線下面積）を達成し、特に精度（陽性と判定した眼が実際にリスクにある割合）において多くの監視学習の競合を上回りました。構成要素を個別に除外するアブレーション実験により、疾病類似性の判定ステップと病変セグメンテーションの両方がこの高い性能に不可欠であることが確認されました。

将来の眼科医療にとっての意義

実務的には、この研究はAIが関連疾患と専門家定義の視覚的手がかりから「類推によって」初期の糖尿病性眼障害を見つけ出せることを示しています。つまり、対象となる正確な病態の何千もの手作業でラベル付けされた例に頼る必要がないということです。これは、専門家によるラベル付けが高価または稀な地域でのスクリーニングプログラムや、大規模に整備されたデータセットが存在しない新たに認識された眼疾患にとって大きな変化をもたらす可能性があります。なお、この手法はまだ課題に直面しています。例えば、眼底写真以外の撮影技術への拡張や、医師や患者にとって意思決定をより透明にすることなどです。しかし、より少ないラベル付きデータで微細な眼疾患を早期に検出することで臨床医を支援する未来を示唆しています。

引用: Pan, C., Wang, Y., Jiang, Y. et al. A generalizable eye disease detection method based on Zero-Shot Learning. Commun Med 6, 249 (2026). https://doi.org/10.1038/s43856-026-01439-3

キーワード: 糖尿病性網膜症, 網膜画像, ゼロショット学習, 医療用AI, 眼科スクリーニング