| Project/Area Number |
23K11870
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90130:Medical systems-related
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
松本 あゆみ 大阪大学, 医学部附属病院, 医員 (40794053)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
松井 功 大阪大学, 大学院医学系研究科, 講師 (60456986)
井上 和則 大阪大学, 大学院医学系研究科, 助教 (10631301)
猪阪 善隆 大阪大学, 大学院医学系研究科, 教授 (00379166)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Fiscal Year 2023: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
|---|
| Keywords | 人工知能 / 腎病理 / 超解像度顕微鏡 |
|---|
| Outline of Research at the Start |
我々は、すでに作成した専門医に劣らないレベルで画像アノテーションが可能な腎病理診断支援AIを用いて、悉皆的に病理画像をAIに学習させる。これにより、専門医でさえ気づきにくい疾患特徴量を抽出して新たな知を創出し、腎疾患の個別化医療に資するAIを構築する。また、我々が開発した超解像度画像からフーリエ変換を用いてオルガネラ等を定量評価する手法を応用し、AI を脱ブラックボックス化する。
|
| Outline of Annual Research Achievements |
本研究では、現在臨床医・病理医によって行われている腎生検診断の補助のためにArtificial Intelligence (AI)を応用し、画像全体の悉皆的な解析を可能とし、さらに、病理変化の定量化や新規予後規定因子の解明を目的としている。画像に内在する疾患特徴量をAIを用いて抽出し、個別化医療に資するモデルの構築を行っている。
本研究期間では、腎病理のうち、診断において着目される糸球体病変の解析を行った。腎糸球体病変は、巣状分節性硬化所見や半月体形成など、全体における頻度は低いものの予後に関連する重要な所見が存在し、これらの診断性能を上昇させることが必要であると考え、診断クラス不均衡に対するモデルの調整を行い、少数クラスの所見に対する診断性能の向上を得た。また、一般的に病理組織は施設間差異が大きく、診断性能に影響することが知られている。このため、生成AIの一つであるcycleGANを応用し、施設間差異を吸収することにより、多施設の画像に応用可能な堅牢な診断補助モデルの構築を行った。以上の内容についての論文を作成し、報告予定である。本研究における稀少病変検出アルゴリズムや、施設間差異吸収手法についての検討は、腎病理のみならず様々な組織所見にも応用できる可能性を有しており、発展性が望まれる研究であると考えている。
今後、尿細管病変を含めたさらに多彩な病変の検出についての解析を追加する方針である。また、本診断補助モデルを社会実装し実際の診断ワークフローへの組み込みを見据えた臨床研究の実施などについての検討を進める方針である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究期間に、我々は本邦の多施設から収集した約5000例の腎生検画像および臨床データを用いて解析を行い、施設間差異に堅牢かつ、稀少病変の検出が可能なモデルの構築を行った。
機械学習において、学習データにおけるクラス不均衡はその学習効率やモデルの性能に大きな影響を与える要因である。一般的な病理診断のみならず、腎組織診断においても、巣状分節性硬化性病変（FSGS）や半月体病変など、頻度は低いものの、腎疾患の予後に大きく関わる重要な所見が存在する。腎生検糸球体病変の機械学習において、正常糸球体や全節性硬化糸球体など比較的頻度の高い診断クラスと、FSGSないし半月体診断クラスの頻度は大きく異なるため、これらを同等に学習させると大きな不均衡が生じ、FSGSや半月体クラスの診断性能が大きく低下する。このためクラス重み付けの調整や、少数クラスのデータ拡張の対応などを行うことで少数クラスの診断性能の向上を図った。
また、病理組織は、施設ごとにその組織薄切厚や染色プロトコルが異なり、さらにデジタルデータ化する際のバーチャルスライドスキャナーのメーカーの違いなど、施設間差異が大きい。実際に我々が腎生検デジタルデータをそのまま階層解析およびUMAPでのクラスター解析を行ったところ、疾患に無関係な「スライドスキャナーのメーカーの違いによる画像形式の差異」がAIにとって最も大きな画像特徴量として認識され、診断性能低下につながることが明らかとなった。この施設間差異を吸収するため、我々は画像生成モデルの一つで、画像のスタイル変換が可能なcycleGANを用いた。この手法を用いることで、ある施設Xの画像を、標準となる施設Aの画像スタイルに変換することが可能であった。
上記の解析を行うことで、多施設の画像に対応可能で、稀少病変の検出も可能なモデルの構築を行った。
|
| Strategy for Future Research Activity |
本研究では、腎疾患の診断において最も重視される所見の一つである糸球体病変に着目して解析を行った。しかし、尿細管領域の所見は腎予後に寄与する非常に重要な所見であり、尿細管領域についても解析が必要である。我々は尿細管領域の所見に対する教師データの作成に着手しており、今後尿細管病変に対する定量的解析についても解析を行う方針である。
また、今回の研究において、ＧＡＮを用いた施設間差異の吸収により、多施設に対する解析の堅牢性を確保できることが明らかとなったため、ＡＩによる診断補助の臨床応用にむけ、社会実装の実現にむけた準備を行う。具体的には、より広範な施設での診断性能を評価するためのデータセットの拡充を行う。また、実際の診断ワークフローへの組み込みを行うために、AIを動作させるユーザーインターフェースの確立が必要である。このため、アプリケーション開発実績のある企業などとの共同研究についての検討を行い、実臨床での有用性の検証を行う。本研究の社会実装により、腎生検診断の標準化や、診断医の経験や疲労度などに依らない所見の取りこぼしの回避などが期待でき、これらを介して腎疾患の個別改良、早期診断に寄与し、腎疾患の予後改善に帰することができると期待される。
|
