肺がん検診のためのコンピュータ支援診断
本文の状態
日本語全文を表示中
詳細モードで約3分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Google Research Blog
Google Researchが開発したAI技術による肺がんスクリーニング支援システムで、CT画像から病変を自動検出し、医師の診断精度向上を目指す。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
<span class="byline-author">投稿者: Google Research ソフトウェアエンジニア Atilla Kiraly、プロダクトマネージャー Rory Pilgrim</span>
<img src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjFpuCd82OUmuS2oG2cVir_ZgeOyUpFndr-kCq8V4pDv6fzxeyViBJymfVt5FFUqgkM_X57msxNv84XBtaXs2FsD7R8_tNqtH6D8X_KiMtZRaJ37JphQsvM35_gIk-4Tn2eEYvrInjMLV5ouwhRJv3Oqb30Z71P546NszeURINBoJnlWnzgASn-6D9YFwZo/s320/PULMA%20hero.jpg" style="display: none;" />
<p>
肺がんは、世界中のがん関連死の主要原因であり、2020年には<a href="https://www.who.int/news-room/fact-sheets/detail/cancer#:~:text=The%20most%20common%20causes%20of,rectum%20(916%20000%20deaths)%3B">180万人の死亡</a>が報告されています。診断が遅れると生存率が劇的に低下します。肺の詳細な3D画像を提供する<a href="https://www.cancer.gov/about-cancer/diagnosis-staging/ct-scans-fact-sheet#:~:text=indicate%20real%20problems.-,Lung%20cancer,-Low%2Ddose%20CT">コンピュータ断層撮影</a>(CT)による<a href="https://www.cdc.gov/cancer/lung/basic_info/screening.htm">肺がん検診</a>は、がんの潜在的な兆候を早期に発見することで、高リスク集団の死亡率を少なくとも20%減少させることが示されています。米国では、年1回のスキャンによる検診が行われており、国や症例によっては、より頻繁なスキャンや、より少ない頻度のスキャンを推奨する場合もあります。
</p>
<a name='more'></a>
<p>
<a href="https://www.uspreventiveservicestaskforce.org/uspstf/recommendation/lung-cancer-screening">米国予防医学専門委員会</a>は最近、肺がん検診の推奨範囲を<a href="https://pubmed.ncbi.nlm.nih.gov/34636916/">約80%拡大</a>し、女性や人種的・民族的マイノリティグループへの検診アクセスの向上が期待されています。しかし、偽陽性（つまり、がんのない患者に潜在的ながんがあると誤って報告すること）は、患者に不安を与え、不必要な処置につながる可能性があると同時に、医療システムのコストを増加させます。さらに、多数の個人を検診する効率性は、医療インフラや放射線科医の確保状況によっては困難な場合があります。
</p>
<p>
Googleでは以前から、<a href="https://blog.google/technology/health/lung-cancer-prediction/">肺がん検出のための機械学習(ML)モデル</a>を開発し、潜在的ながんの兆候を示す領域を自動的に検出・分類する能力を評価してきました。その性能は、可能性のあるがんを検出する点で専門家と同等であることが示されています。高い性能を達成している一方で、その真の可能性を実現するためには、現実的な環境で所見を効果的に伝達することが必要です。
</p>
<p>
そのため、『<a href="https://pubs.rsna.org/doi/10.1148/ryai.230079">肺がん検診における支援AI：米国と日本での遡及的国際共同研究</a>』（<em><a href="https://pubs.rsna.org/journal/ai">Radiology AI</a></em>誌に掲載）において、MLモデルが放射線科医に対してどのように効果的に所見を伝達できるかを調査しました。また、放射線科医が肺がん検診にこのようなモデルを活用できるよう支援する、汎用的でユーザー中心のインターフェースを紹介します。このシステムはCT画像を入力として受け取り、がんの疑い度を4つのカテゴリー（疑いなし、おそらく良性、疑わしい、非常に疑わしい）と、対応する関心領域とともに出力します。米国と日本の両方で、現地のがん評価システム（<a href="https://www.acr.org/-/media/ACR/Files/RADS/Lung-RADS/LungRADSAssessmentCategoriesv1-1.pdf">Lung-RADS V1.1</a>と<a href="https://www.jscts.org/pdf/guideline/gls3rdfig_english130621.pdf">Sendai Score</a>）および現実的な設定を模倣した画像ビューアを用いた無作為化読影者研究を通じて、このシステムが臨床医のパフォーマンス向上に寄与する有用性を評価しました。両方の読影者研究において、モデルの支援により読影者の特異度が向上することを確認しました。MLモデルを用いた同様の研究を促進するため、CT画像を処理し、放射線科医が使用する<a href="https://en.wikipedia.org/wiki/Picture_archiving_and_communication_system">画像保存通信システム</a>(PACS)と互換性のある画像を生成する<a href="https://github.com/Google-Health/google-health/tree/master/ct_dicom">コードをオープンソース化</a>しました。
</p>
<div style="line-height: 40%;">
<br />
</div>
<h2>モデル結果を伝達するインターフェースの開発</h2>
<p>
MLモデルを放射線科医のワークフローに統合するには、彼らのタスクのニュアンスと目標を理解し、意味のある支援を提供することが必要です。肺がん検診の場合、病院は各国固有のガイドラインに従っており、それらは定期的に更新されています。例えば、米国では、Lung-RADs V1.1が<a href="https://www.acr.org/-/media/ACR/
原文を表示
<span class="byline-author">Posted by Atilla Kiraly, Software Engineer, and Rory Pilgrim, Product Manager, Google Research </span>
<img src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjFpuCd82OUmuS2oG2cVir_ZgeOyUpFndr-kCq8V4pDv6fzxeyViBJymfVt5FFUqgkM_X57msxNv84XBtaXs2FsD7R8_tNqtH6D8X_KiMtZRaJ37JphQsvM35_gIk-4Tn2eEYvrInjMLV5ouwhRJv3Oqb30Z71P546NszeURINBoJnlWnzgASn-6D9YFwZo/s320/PULMA%20hero.jpg" style="display: none;" />
<p>
Lung cancer is the leading cause of cancer-related deaths globally with <a href="https://www.who.int/news-room/fact-sheets/detail/cancer#:~:text=The%20most%20common%20causes%20of,rectum%20(916%20000%20deaths)%3B">1.8 million deaths</a> reported in 2020. Late diagnosis dramatically reduces the chances of survival. <a href="https://www.cdc.gov/cancer/lung/basic_info/screening.htm">Lung cancer screening</a> via <a href="https://www.cancer.gov/about-cancer/diagnosis-staging/ct-scans-fact-sheet#:~:text=indicate%20real%20problems.-,Lung%20cancer,-Low%2Ddose%20CT">computed tomography</a> (CT), which provides a detailed 3D image of the lungs, has been shown to reduce mortality in high-risk populations by at least 20% by detecting potential signs of cancers earlier. In the US, screening involves annual scans, with some countries or cases recommending more or less frequent scans.
</p>
<a name='more'></a>
<p>
The <a href="https://www.uspreventiveservicestaskforce.org/uspstf/recommendation/lung-cancer-screening">United States Preventive Services Task Force</a> recently expanded lung cancer screening recommendations by <a href="https://pubmed.ncbi.nlm.nih.gov/34636916/">roughly 80%</a>, which is expected to increase screening access for women and racial and ethnic minority groups. However, false positives (i.e., incorrectly reporting a potential cancer in a cancer-free patient) can cause anxiety and lead to unnecessary procedures for patients while increasing costs for the healthcare system. Moreover, efficiency in screening a large number of individuals can be challenging depending on healthcare infrastructure and radiologist availability.
</p>
<p>
At Google we have previously developed <a href="https://blog.google/technology/health/lung-cancer-prediction/">machine learning (ML) models for lung cancer detection</a>, and have evaluated their ability to automatically detect and classify regions that show signs of potential cancer. Performance has been shown to be comparable to that of specialists in detecting possible cancer. While they have achieved high performance, effectively communicating findings in realistic environments is necessary to realize their full potential.
</p>
<p>
To that end, in “<a href="https://pubs.rsna.org/doi/10.1148/ryai.230079">Assistive AI in Lung Cancer Screening: A Retrospective Multinational Study in the US and Japan</a>”, published in <em><a href="https://pubs.rsna.org/journal/ai">Radiology AI</a></em>, we investigate how ML models can effectively communicate findings to radiologists. We also introduce a generalizable user-centric interface to help radiologists leverage such models for lung cancer screening. The system takes CT imaging as input and outputs a cancer suspicion rating using four categories (no suspicion, probably benign, suspicious, highly suspicious) along with the corresponding regions of interest. We evaluate the system’s utility in improving clinician performance through randomized reader studies in both the US and Japan, using the local cancer scoring systems (<a href="https://www.acr.org/-/media/ACR/Files/RADS/Lung-RADS/LungRADSAssessmentCategoriesv1-1.pdf">Lung-RADSs V1.1</a> and <a href="https://www.jscts.org/pdf/guideline/gls3rdfig_english130621.pdf">Sendai Score</a>) and image viewers that mimic realistic settings. We found that reader specificity increases with model assistance in both reader studies. To accelerate progress in conducting similar studies with ML models, we have <a href="https://github.com/Google-Health/google-health/tree/master/ct_dicom">open-sourced code</a> to process CT images and generate images compatible with the <a href="https://en.wikipedia.org/wiki/Picture_archiving_and_communication_system">picture archiving and communication system</a> (PACS) used by radiologists.
</p>
<div style="line-height: 40%;">
<br />
</div>
<h2>Developing an interface to communicate model results</h2>
<p>
Integrating ML models into radiologist workflows involves understanding the nuances and goals of their tasks to meaningfully support them. In the case of lung cancer screening, hospitals follow various country-specific guidelines that are regularly updated. For example, in the US, Lung-RADs V1.1 assigns an <a href="https://www.acr.org/-/media/ACR/
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み