用AI可以進行早期胃癌的范圍診斷

-逼近內鏡?？漆t生的診斷精度-

理化學研究所(理研)光量子工程研究中心圖像信息處理研究小組的竹本智子研究員、橫田秀夫小組組長(信息綜合總部尖端數據科學項目副項目組長)、國立癌癥研究中心東醫院消化道內鏡科的矢野友規科長、堀圭介醫生(研究當時)等共同研究小組確立了接近內窺鏡專業醫生診斷精度的早期胃癌自動范圍診斷AI。根據本研究成果，在今后全世界預計會增加的消化內鏡檢查中，有望輔助醫生的診斷，減少因熟練度的差異導致的漏診等誤診和因裝置性能的不同導致的設施間的診斷差距等。早期的胃癌缺乏形態變化，很難與胃炎等炎癥區分開來，所以在內窺鏡檢查中，即使是?？漆t生也有可能難以發現。另外，不僅是發現，正確判斷癌癥浸潤范圍也與之后的治療精度有很大關系，但早期胃癌的病變邊界不明確，醫生也有難以進行范圍診斷的情況。此次，共同研究小組發展了利用深度學習[1]進行早期胃癌自動檢測的先行研究，開發了可以進行早期胃癌領域預測的AI，并使用臨床現場一年的連續病例進行了驗證。結果，在137個病例中的130個病例( 94.9% )成功發現了早期胃癌。另外，在將AI決定的病變范圍與6名?？漆t生的范圍診斷進行比較的初步調查中，AI靈敏度優異，與真正病變區域的區域一致率獲得了與?？漆t生大致相同的結果。本研究刊登在科學雜志《Journal of Gastroenterology》在線版( 5月31日)上。

背景

胃癌是死亡率最高的癌癥之一，據報道，全世界每年約有100萬新發病例，死亡人數約為80萬人。注1 )。近年來，日本也逐漸引入了基于內鏡檢查的檢查，有報告稱胃癌的早期發現會降低死亡率。另一方面，早期胃癌缺乏隆起和凹陷等形態特征，很難判別胃炎等炎癥引起的變化，因此在內窺鏡檢查中可能會出現漏診的問題。另外，由于檢查裝置和醫生技能的不同導致的病變發現率的差異也成為問題，為了診斷能力的均化[2]和減輕醫生對不斷增加的檢查需求的負擔，需要利用計算機的診斷支援技術。因此，將機器學習引入內窺鏡檢查的醫生開始采取支援診斷的措施。關于以大腸內窺鏡為對象的輔助診斷AI，在世界范圍內報告了很多研究成果，日本也有根據醫藥品·醫療器械等法律取得了批準，并開始實用化的。但是，特別是早期胃癌，還沒有獲得大腸內窺鏡輔助診斷AI那樣的成果。一般來說，AI的學習需要大量的學習用數據，但早期胃癌即使是消化內鏡的專家也很難發現，存在著制作學習用數據需要花費很多時間的問題。針對這個問題，聯合研究小組在先行研究中，提出了用少量數據就可以高效學習病變特征的AI，成功地自動檢測了早期胃癌的大致區域注2 )。另一方面，在實際的臨床現場，為了面向正在成為早期胃癌標準治療的內鏡切除術，需要正確鑒定應該切除的范圍，因此，通過大部分的區域檢測，在將來的實用化中是不充分的。

注1）Bray F, Ferlay J,et al., Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries.CA Cancer J Clin., 68(6): 394-424, 2018.

注2）2018年7月21日プレスリリース「AIで早期胃がん領域の高精度検出に成功」

研究方法和成果

聯合研究小組為了早期胃癌的范圍診斷，構建了可以以圖像的1像素為單位預測病變存在概率的AI。在該AI中，維持了能夠高效學習前期研究中的小規模數據的功能，消化內鏡的專業醫生實現了以正確注釋病變區域的“癌癥圖像”150張、不含癌癥的“正常圖像”150張共計300張為基礎的學習。這些圖像是從國立癌癥研究中心東醫院約1年間收集的連續68個病例中隨機抽取的。通過數據擴展[4]等增加到約113萬張的基礎上，可以通過深度學習之一的卷積神經網絡( CNN ) [5]學習早期胃癌的表面性狀和色調等詳細的圖像特征。在已學習的CNN中，針對新的輸入圖像以1像素為單位預測病變的存在概率。在本研究中，將想預測的圖像分割為多個，然后輸入CNN，將多次預測結果疊加起來，實現預測的高精度化。具體來說，將想要進行范圍診斷的內窺鏡圖像分割為約1，600個塊，預測每個塊的病變存在概率(圖1 )。根據加權函數[6]疊加預測結果，各像素的預測最多約為1，600次，預測精度大幅提高。因為塊分割數和預測精度成正比，而分割數和預測時間成反比，所以在將來的檢查和日常診療等中，可以根據重視預測性能和實時性的哪一個等目的決定塊數，然后進行預測。

圖1早期胃癌領域預測流程

顯示使用學習完的卷積神經網絡( CNN )，實現輸入圖像(內窺鏡檢查圖像)中存在的早期胃癌的區域預測的流程。將輸入圖像分割成可變數量的塊，通過CNN預測每個塊的病變存在概率。通過根據加權函數將存在概率應用于原始輸入圖像，求出每個像素的存在概率。熱圖是將存在概率為50%以上的像素作為病變區域用彩虹彩色表示的東西。使用與學習用數據不同的約1年間收集的連續137個病例(癌圖像462張，正常圖像396張)對構建的AI進行評價，結果，用癌圖像387張( 83.8% )，正常圖像307張( 77.5% )正確判定了有無早期胃癌陽性準確率[7]為81.3%，陰性準確率[7]為80.4%。在病例基礎上，130例( 94.9% )正確判定了有無病變。另外，將?？漆t生參照內窺鏡檢查后的病理診斷制作的正確范圍診斷與基于AI的預測區域進行比較后，關于被稱為IoU[8]的正確區域和預測區域的一致度，其評價指標之一的mIoU[8]獲得了66.5%。圖2顯示了預測結果的一個示例。

圖2?？漆t生對內鏡檢查影像的范圍診斷與AI預測區域的比較

表示基于AI的區域預測結果與?？漆t生制作的正確答案區域的重疊。在此，針對早期胃癌的肉眼型分類中的表面隆起型( Type 0-Ⅱa )、表面平坦型( Type 0-Ⅱb )、表面凹陷型( Type 0-Ⅱc )這3種類型，給出了代表性的結果示例。

另外，作為初步調查，在AI在圖像中正確判定胃癌存在的387張癌癥圖像中，隨機抽取38張，與6名消化內鏡專家和AI對病變的檢測能力以及范圍診斷進行了比較。另外，在日常診療中醫生多并用放大內鏡和NBI內鏡，但在這次的比較中，?？漆t生通常只使用來自使用白色光的非放大內鏡的圖像。結果顯示，AI具有很好的靈敏度，mIoU獲得了與?？漆t生幾乎同等的精度(表)。關于早期胃癌領域的預測，AI獲得接近?？漆t生范圍診斷的性能，這是本研究的第一次。

mloU	感度	特異點	精度	陽性的中率	陰性的中率
AI	68.7%	69.9%	94.0%	91.7%	62.9%	96.3%
専門醫6名の平均値	68.3%（4.0）	49.8%（12.5）	98.9%（1.8）	93.3%（0.9）	89.0%（10.2）	93.8%（1.3）

表?？漆t生范圍診斷與AI領域預測的比較

AI與?？漆t生相比靈敏度更好，mloU基本相當。靈敏度是指陽性的正確判斷為陽性的比例，特異度是指陰性的正確判斷為陰性的比例。另外，括號內表示標準偏差。

今后的期待

本研究開發了能夠以少量學習用數據高效學習早期胃癌病變的AI，不僅可以在內窺鏡檢查圖像內有無病變，還可以以與專科醫生的范圍診斷同等的精度進行病變的區域預測。學習用數據較少具有將AI應用于其他設施或其他裝置的圖像的再學習容易的優點。此外，也有可能適用于像稀有癌癥等那樣難以收集學習用數據的對象。另外，在本研究中，關于早期胃癌的區域預測，顯示出了與由內窺鏡專業醫生進行的范圍診斷同等的性能。這有望成為將來在全世界預計會增加的檢查和日常診療中導入內窺鏡影像診斷時，減輕醫生的負擔，減輕熟練度和裝置性能差異導致的診斷性能的差異等診斷技術均等化的有力工具。

補充說明

1 .深度學習是機器學習的計算方法之一，是多層(狹義上為4層以上)的神經網絡。它被用于圖像、視頻、文本、語音等分類識別問題。神經網絡是以用計算機上的模擬來表現大腦功能中看到的幾個網絡為目標的數學模型。2 .均勻化在這里，目標是糾正醫療技術等的差距，讓很多患者能夠毫無區別地接受針對癌癥的標準專業醫療。3 .注釋在深度學習等機器學習時，有時會將人類的判斷作為正確信息來使用，例如如果是圖像診斷，則需要對只是數值集合的圖像賦予某種意義信息。這項工作稱為注釋。在此，是指醫生對檢查圖像正確地標記病變區域的作業。4 .數據擴展對學習用數據進行轉換，增加數據量。特別是在需要大量學習數據的CNN等情況下，有助于提高學習性能。變換有縮放、反轉、旋轉移位、顏色變換等。5 .卷積神經網絡( CNN )是在圖像的分類和識別中發揮高性能的深度學習之一。從預先給定的圖像數據中直接提取圖像的特征量，學習網絡。 CNN是Convolutional neural network的縮寫。6 .加權函數在此，是指在將針對每個區塊預測的病變的存在概率與原始圖像重合時，針對每個像素決定與預測值相乘的權重的函數。預先定義為接近塊中央的像素具有較大的權重，遠離的像素具有較小的權重，每個塊的存在概率與各像素的權重相乘后的值成為各像素的預測值。由于每個像素跨越多個塊，實際上，將多次預測值的平均值作為最終的預測值。7 .陽性準確率、陰性準確率陽性準確率是指，例如在檢查為陽性(在這次的情況中為胃癌)的情況下，真正陽性(癌癥)存在的比例。陰性準確率是指在檢查為陰性(這里指的不是胃癌)時，真正為陰性(正?；蚍俏赴?的比例。8.IoU，mIoUIoU是表示正確區域(例如，人標記的區域)與預測區域的重疊情況的指標之一。重疊越大，值越大。 mIoU(mean IoU )是每類計算區域重疊( IoU )的平均值。這里針對“癌癥”和“正確答案”的等級，表示了計算與正確答案區域的重疊的平均值。 IoU是Intersection over Union的縮寫。

聯合研究小組

理化研究所光量子工程研究中心圖像信息處理研究小組研究員竹本智子隊長橫田秀夫(信息綜合總部前沿數據科學項目副項目組長)技術人員ⅱ(研究當時)坂井良匡技術人員ⅰ西村將臣國立癌癥研究中心東醫院消化道內鏡科科長矢野友規醫長池松弘朗醫員(研究當時)堀圭介醫員中條惠一郎醫員稻場淳住院治療(研究當時)笹部真亞沙住宅(研究當時)青山直樹癌癥專家渡邊崇癌癥專業實習醫生南方信久

研究支援

本研究的一部分是日本學術振興會( JSPS )科學研究費資助事業基礎研究( c )“利用早期胃癌功能特征的AI內鏡影像診斷( 21K12742，研究代表者:竹本智子)”以及國立癌癥研究中心研究開發費“關于構筑使用新的內窺鏡AI機器等創造針對癌癥的創新醫療的產學合作開發平臺的研究( 2020-A-10，研究代表者:矢野友規)”的資助下實施。

原論文信息

Satoko Takemoto, Keisuke Hori, Yoshimasa Sakai, Masaomi Nishimura, Keiichiro Nakajo, Atsushi Inaba, Maasa Sasabe, Naoki Aoyama, Takashi Watanabe, Nobuhisa Minakata, Hiroaki Ikematsu, Hideo Yokota, Tomonori Yano, "Computer-aided demarcation of early gastric cancer: a pilot comparative study with endoscopists",Journal of Gastroenterology,10.1007/s00535-023-02001-x