用AI可以进行早期胃癌的范围诊断

-逼近内镜专科医生的诊断精度-

理化学研究所(理研)光量子工程研究中心图像信息处理研究小组的竹本智子研究员、横田秀夫小组组长(信息综合总部尖端数据科学项目副项目组长)、国立癌症研究中心东医院消化道内镜科的矢野友规科长、堀圭介医生(研究当时)等共同研究小组确立了接近内窥镜专业医生诊断精度的早期胃癌自动范围诊断AI。根据本研究成果，在今后全世界预计会增加的消化内镜检查中，有望辅助医生的诊断，减少因熟练度的差异导致的漏诊等误诊和因装置性能的不同导致的设施间的诊断差距等。早期的胃癌缺乏形态变化，很难与胃炎等炎症区分开来，所以在内窥镜检查中，即使是专科医生也有可能难以发现。另外，不仅是发现，正确判断癌症浸润范围也与之后的治疗精度有很大关系，但早期胃癌的病变边界不明确，医生也有难以进行范围诊断的情况。此次，共同研究小组发展了利用深度学习[1]进行早期胃癌自动检测的先行研究，开发了可以进行早期胃癌领域预测的AI，并使用临床现场一年的连续病例进行了验证。结果，在137个病例中的130个病例( 94.9% )成功发现了早期胃癌。另外，在将AI决定的病变范围与6名专科医生的范围诊断进行比较的初步调查中，AI灵敏度优异，与真正病变区域的区域一致率获得了与专科医生大致相同的结果。本研究刊登在科学杂志《Journal of Gastroenterology》在线版( 5月31日)上。

背景

胃癌是死亡率最高的癌症之一，据报道，全世界每年约有100万新发病例，死亡人数约为80万人。注1 )。近年来，日本也逐渐引入了基于内镜检查的检查，有报告称胃癌的早期发现会降低死亡率。另一方面，早期胃癌缺乏隆起和凹陷等形态特征，很难判别胃炎等炎症引起的变化，因此在内窥镜检查中可能会出现漏诊的问题。另外，由于检查装置和医生技能的不同导致的病变发现率的差异也成为问题，为了诊断能力的均化[2]和减轻医生对不断增加的检查需求的负担，需要利用计算机的诊断支援技术。因此，将机器学习引入内窥镜检查的医生开始采取支援诊断的措施。关于以大肠内窥镜为对象的辅助诊断AI，在世界范围内报告了很多研究成果，日本也有根据医药品·医疗器械等法律取得了批准，并开始实用化的。但是，特别是早期胃癌，还没有获得大肠内窥镜辅助诊断AI那样的成果。一般来说，AI的学习需要大量的学习用数据，但早期胃癌即使是消化内镜的专家也很难发现，存在着制作学习用数据需要花费很多时间的问题。针对这个问题，联合研究小组在先行研究中，提出了用少量数据就可以高效学习病变特征的AI，成功地自动检测了早期胃癌的大致区域注2 )。另一方面，在实际的临床现场，为了面向正在成为早期胃癌标准治疗的内镜切除术，需要正确鉴定应该切除的范围，因此，通过大部分的区域检测，在将来的实用化中是不充分的。

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

联合研究小组为了早期胃癌的范围诊断，构建了可以以图像的1像素为单位预测病变存在概率的AI。在该AI中，维持了能够高效学习前期研究中的小规模数据的功能，消化内镜的专业医生实现了以正确注释病变区域的“癌症图像”150张、不含癌症的“正常图像”150张共计300张为基础的学习。这些图像是从国立癌症研究中心东医院约1年间收集的连续68个病例中随机抽取的。通过数据扩展[4]等增加到约113万张的基础上，可以通过深度学习之一的卷积神经网络( CNN ) [5]学习早期胃癌的表面性状和色调等详细的图像特征。在已学习的CNN中，针对新的输入图像以1像素为单位预测病变的存在概率。在本研究中，将想预测的图像分割为多个，然后输入CNN，将多次预测结果叠加起来，实现预测的高精度化。具体来说，将想要进行范围诊断的内窥镜图像分割为约1，600个块，预测每个块的病变存在概率(图1 )。根据加权函数[6]叠加预测结果，各像素的预测最多约为1，600次，预测精度大幅提高。因为块分割数和预测精度成正比，而分割数和预测时间成反比，所以在将来的检查和日常诊疗等中，可以根据重视预测性能和实时性的哪一个等目的决定块数，然后进行预测。

图1早期胃癌领域预测流程

显示使用学习完的卷积神经网络( CNN )，实现输入图像(内窥镜检查图像)中存在的早期胃癌的区域预测的流程。将输入图像分割成可变数量的块，通过CNN预测每个块的病变存在概率。通过根据加权函数将存在概率应用于原始输入图像，求出每个像素的存在概率。热图是将存在概率为50%以上的像素作为病变区域用彩虹彩色表示的东西。使用与学习用数据不同的约1年间收集的连续137个病例(癌图像462张，正常图像396张)对构建的AI进行评价，结果，用癌图像387张( 83.8% )，正常图像307张( 77.5% )正确判定了有无早期胃癌阳性准确率[7]为81.3%，阴性准确率[7]为80.4%。在病例基础上，130例( 94.9% )正确判定了有无病变。另外，将专科医生参照内窥镜检查后的病理诊断制作的正确范围诊断与基于AI的预测区域进行比较后，关于被称为IoU[8]的正确区域和预测区域的一致度，其评价指标之一的mIoU[8]获得了66.5%。图2显示了预测结果的一个示例。

图2专科医生对内镜检查影像的范围诊断与AI预测区域的比较

表示基于AI的区域预测结果与专科医生制作的正确答案区域的重叠。在此，针对早期胃癌的肉眼型分类中的表面隆起型( Type 0-Ⅱa )、表面平坦型( Type 0-Ⅱb )、表面凹陷型( Type 0-Ⅱc )这3种类型，给出了代表性的结果示例。

另外，作为初步调查，在AI在图像中正确判定胃癌存在的387张癌症图像中，随机抽取38张，与6名消化内镜专家和AI对病变的检测能力以及范围诊断进行了比较。另外，在日常诊疗中医生多并用放大内镜和NBI内镜，但在这次的比较中，专科医生通常只使用来自使用白色光的非放大内镜的图像。结果显示，AI具有很好的灵敏度，mIoU获得了与专科医生几乎同等的精度(表)。关于早期胃癌领域的预测，AI获得接近专科医生范围诊断的性能，这是本研究的第一次。

mloU	感度	特異点	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%
専門医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）

表专科医生范围诊断与AI领域预测的比较

AI与专科医生相比灵敏度更好，mloU基本相当。灵敏度是指阳性的正确判断为阳性的比例，特异度是指阴性的正确判断为阴性的比例。另外，括号内表示标准偏差。

今后的期待

本研究开发了能够以少量学习用数据高效学习早期胃癌病变的AI，不仅可以在内窥镜检查图像内有无病变，还可以以与专科医生的范围诊断同等的精度进行病变的区域预测。学习用数据较少具有将AI应用于其他设施或其他装置的图像的再学习容易的优点。此外，也有可能适用于像稀有癌症等那样难以收集学习用数据的对象。另外，在本研究中，关于早期胃癌的区域预测，显示出了与由内窥镜专业医生进行的范围诊断同等的性能。这有望成为将来在全世界预计会增加的检查和日常诊疗中导入内窥镜影像诊断时，减轻医生的负担，减轻熟练度和装置性能差异导致的诊断性能的差异等诊断技术均等化的有力工具。

补充说明

1 .深度学习是机器学习的计算方法之一，是多层(狭义上为4层以上)的神经网络。它被用于图像、视频、文本、语音等分类识别问题。神经网络是以用计算机上的模拟来表现大脑功能中看到的几个网络为目标的数学模型。2 .均匀化在这里，目标是纠正医疗技术等的差距，让很多患者能够毫无区别地接受针对癌症的标准专业医疗。3 .注释在深度学习等机器学习时，有时会将人类的判断作为正确信息来使用，例如如果是图像诊断，则需要对只是数值集合的图像赋予某种意义信息。这项工作称为注释。在此，是指医生对检查图像正确地标记病变区域的作业。4 .数据扩展对学习用数据进行转换，增加数据量。特别是在需要大量学习数据的CNN等情况下，有助于提高学习性能。变换有缩放、反转、旋转移位、颜色变换等。5 .卷积神经网络( CNN )是在图像的分类和识别中发挥高性能的深度学习之一。从预先给定的图像数据中直接提取图像的特征量，学习网络。 CNN是Convolutional neural network的缩写。6 .加权函数在此，是指在将针对每个区块预测的病变的存在概率与原始图像重合时，针对每个像素决定与预测值相乘的权重的函数。预先定义为接近块中央的像素具有较大的权重，远离的像素具有较小的权重，每个块的存在概率与各像素的权重相乘后的值成为各像素的预测值。由于每个像素跨越多个块，实际上，将多次预测值的平均值作为最终的预测值。7 .阳性准确率、阴性准确率阳性准确率是指，例如在检查为阳性(在这次的情况中为胃癌)的情况下，真正阳性(癌症)存在的比例。阴性准确率是指在检查为阴性(这里指的不是胃癌)时，真正为阴性(正常或非胃癌)的比例。8.IoU，mIoUIoU是表示正确区域(例如，人标记的区域)与预测区域的重叠情况的指标之一。重叠越大，值越大。 mIoU(mean IoU )是每类计算区域重叠( IoU )的平均值。这里针对“癌症”和“正确答案”的等级，表示了计算与正确答案区域的重叠的平均值。 IoU是Intersection over Union的缩写。

联合研究小组

理化研究所光量子工程研究中心图像信息处理研究小组研究员竹本智子队长横田秀夫(信息综合总部前沿数据科学项目副项目组长)技术人员ⅱ(研究当时)坂井良匡技术人员ⅰ西村将臣国立癌症研究中心东医院消化道内镜科科长矢野友规医长池松弘朗医员(研究当时)堀圭介医员中条惠一郎医员稻场淳住院治疗(研究当时)笹部真亚沙住宅(研究当时)青山直树癌症专家渡边崇癌症专业实习医生南方信久

研究支援

本研究的一部分是日本学术振兴会( JSPS )科学研究费资助事业基础研究( c )“利用早期胃癌功能特征的AI内镜影像诊断( 21K12742，研究代表者:竹本智子)”以及国立癌症研究中心研究开发费“关于构筑使用新的内窥镜AI机器等创造针对癌症的创新医疗的产学合作开发平台的研究( 2020-A-10，研究代表者:矢野友规)”的资助下实施。

原论文信息

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