一般社團法人日本病理學會和國立資訊學研究所（NII）在日本醫療研究開發機構（AMED）的支援下，與東京大學合作開發了利用內視鏡觀察胃中情況並採集疑似病灶部位粘膜組織的「胃活檢」病理診斷支援AI。透過將該AI用於病理診斷的雙重檢查，有望爲長期短缺的病理醫學家提供支援，減輕其過重的工作量，另外，透過將其納入遠程病理診斷網路，有望實施在日本全國任何地方都可以接受標準癌症專業冶癒的「癌症醫療均享化」。該研究成果已於8月12日發佈在日本癌症學會的國際期刊《Cancer Science》上。
圖1：病理診斷AI可望能達到的效果（供圖：日本病理學會）
此次開發的是可以從顯微鏡的超高解析度數位影像中檢測出異常的圖形識別AI，特點是採用了深度學習新開發的MSP（Multi-stage semantic segmentation for pathology）法。該法可以利用該AI有效判斷是否存在腫瘤，並在影像上確定腫瘤部位。
MSP法是東京大學先端科學技術研究中心原田達也教授（NII客座教授）所在研究室新開發的機器學習方法。MSP法從詳細分割的單個影像塊中提取特徵量，並學習特徵量在原始病理影像中的分佈，因此能以大幅壓縮病理影像的形式，在不丟失影像塊在整個影像中的位置資訊的情況下進行機器學習。
此次利用基於MSP法的機器學習開發的病理診斷支援AI，即使是針對分佈着假陽性影像塊的非癌症案例，AI也能準確地判斷出整體並非癌症。在癌症和非癌症的判斷中，MSP法的診斷結果與病理醫學家的診斷結果一致率達到94.8％（内部資料集）。
另外，來自10個設施的外部資料集的一致率也達到了94.6％±2.3％（最小90.4％，最大97.4％），優於常規方法。由此證明，MSP法應用於多個設施時不容易受設施差異的影響，是一種可靠的方法。
癌症的確診必須由病理醫學家「用顯微鏡進行病理診斷」，但日本目前病理醫學家短缺，在擁有專職病理醫學家的約700家醫院中，約300家設施始終存在只有一名專職病理醫學家的情況。
在這種情況下工作的病理醫學家很難讓其他病理醫學家用顯微鏡再次觀察並應答自己的診斷結果，即進行「診斷的雙重檢查」，因此存在癌症漏診或過度診斷的風險。
此次的成果是日本病理學會2017年起動的AMED委託專案「JP-AID（Japan Pathology AI Diagnostics Project）」與NII同年作爲AMED委託專案而設置、開發和營運的，旨在促進醫療大資料應用的雲基礎設施「醫療大資料研究中心」（RCMB）合作下共同取得的。
雙方的目標是，爲今後在醫療現場引進病理診斷支援AI，使開發的AI作爲軟體醫療器械透過藥事審批。另外，雙方還在開發胃活檢以外的病理診斷支援AI。
此外，爲將JP-AID專案收集的各種器官病理組織數位影像用於AI開發，雙方還在準備公開「日本病理學會數位影像資料庫」。
原文：《科學新聞》
翻譯編輯：JST客觀日本編輯部
【論文資訊】
期刊：Cancer Science
論文：Development and multi-institutional validation of an artificial intelligence-based diagnostic system for gastric biopsy
DOI：doi.org/10.1111/cas.15514
