医学書院

検索
HOME週刊医学界新聞 > 第3310号 2019年02月18日



第3310号 2019年2月18日


【対談】

こわいもの知らずで考える
病理学×AIの可能性

仲野 徹氏(大阪大学大学院医学系研究科幹細胞病理学教授)
石川 俊平氏(東京大学大学院医学系研究科分子予防医学(衛生学)教授)


 近年,人工知能(Artificial Intelligence;AI)が社会的に大きな関心を集めている。医療のさまざまな分野でAI活用が模索され,特に病理診断への活用は現実味を帯びてきた。AIが目まぐるしいスピードで進化する中,病理学はどう変わり,医療者の果たすべき役割はどうなっていくのか。期待と同時に,不安を感じる人もいるだろう。

 病理学を一般向けにわかりやすく紹介した著作で知られる病理学研究者の仲野徹氏もその一人。「最近,AIのことが気になって仕方がない」という仲野氏が,AIを用いた病理診断を研究し国際コンペティションでの入賞歴を持つ石川俊平氏に,病理学×AIの現状と未来にまつわる率直な疑問をぶつけた。


仲野 私は病理医ではありませんが,医学部で病理学の講義を担当していることもあり,日本病理学会には毎年参加して最新の知見を仕入れるようにしています。

 昨年,札幌で行われた総会での石川先生の講演は,ホント光ってました。石川先生は病理診断にAIを活用して,面白い研究をなさっていますよね。

石川 ありがとうございます。私はAIを用いた病理診断や,病理学とゲノム科学の統合をテーマに研究しています。病理組織画像には人間の目で見える以上の情報が隠れているのではないかと考えて,AIの活用を進めています。

仲野 AIでどんなことができるようになるのか,未来を想像するだけでワクワクします。

 一方で,われわれ人間の役割はどうなっていくかという不安も少しあります。今日はAI時代の病理学について,専門家の石川先生と一緒に考えます。

AI vs. 病理医,勝負の結果は?

仲野 2017年12月のJAMA誌に掲載された,乳がんの病理診断に関する論文1)には驚きました。乳がんのリンパ節転移を見つけることができるかどうかを複数のアルゴリズムに競わせたものです。面白いことに,AI同士の競争だけでなく11人の病理医も参戦しました。2時間の制限時間付きではAIに軍配が上がり,病理医が30時間を費やして,ようやくAIと引き分けとの結果でした。

 AIによる病理診断はいずれ実現するだろうと思っていましたが,病理医を上回る日がこんなに早く来るとは! この開発スピードを石川先生はどう見ましたか。

石川 一般画像でのAIの進歩からすれば,それほど驚きではありませんでした。ディープラーニング(深層学習)という技術が本格的に登場したのは2012年頃です。2015年には,写真を見せてイヌかネコかを判定するような一般画像に関する課題では,すでにAIが人間を超えたと言われています。

 実は,乳がんの転移を発見する,つまり「広い空の中に飛行機はどこにありますか」という類いの課題は,注視すべき領域が決まっているイヌとネコの判定よりもさらにAI向きの課題です。人間は画像を見続けると疲れて小さな病変を見逃しやすくなりますが,AIは疲れを知りませんから。

仲野 なるほど。転移の有無の判定で一番問題になるのは見逃しですから,AIの得意分野と言えるのですね。

 技術開発の流れは,一般画像の分野で先に培われた技術が病理診断に応用されている状況なんでしょうか。

石川 はい。AIの研究者にとってはイヌやネコ,人間の顔写真など一般画像のほうがわかりやすい結果が得られて楽しいようで,開発スピードは目を見張るものがあります。一般画像で培った技術を転用することで,病理学でのAI活用は今後も急速に進むと思います。

データセットの整備で診断精度は向上する

仲野 近年のAIの進化は,ディープラーニングの寄与が大きいと聞きます。私はあまり詳しくないのですが,ディープラーニングって,要するにどこがどうすごいんでしょうか。

石川 例えばAIにネコを認識させようとする場合,従来の技術では,三角形の耳が楕円形の顔の上に付いていて,顔の中に二つの丸い目があって,などの特徴を個別に定義する必要がありました。一方,ディープラーニングで主流の畳み込みニューラルネットワーク(Convolutional Neural Network;CNN)という技術では,表現学習といって,ネコの特徴そのものをAIが勝手に学習してくれるのです。

仲野 手取り足取り教えなくてもどんどん学んでいく。人間の成長に近いものを感じます。

石川 ディープラーニングのアイデア自体は昔からあったのですが,利用できるデータの数やコンピュータの性能が追いついてきたことで実現に至りました。

 ただ,医療分野のAI活用では,データの数が今でもボトルネックになっています。技術的には可能でも,AIに学習させるために必要なデータセットがそろっていないのです。

仲野 イヌやネコの写真のような一般画像に比べると,病理組織画像は少ないですもんね。

石川 データの数だけでなく,質の問題もあります。例えば,1つのがん症例について10枚の病理組織画像があったとしても,多くの場合,がんの位置が明示されない状態で保存されています。このようなデータでも大量にあれば,学習できる技術が出てきつつあるものの,AIに学習させるデータとしては,“ここに”がんがあります,とアノテーションを付けておくほうが良いのです。

仲野 先ほど挙げたJAMA誌の論文では,110人の転移ありサンプルと160人の転移なしサンプルをAIに学習させていました1)。何千,何万枚もの画像データが必要なわけではなく,質の高いデータであれば,数百枚でもかなりの精度になるということですね。

石川 必要なデータの量や質は,解かせる課題の難度によります。ただ,現在の医療分野においてAIで解決できていない当面の問題の大半は,学習に適したデータがそろっていないことによるものが大きいです。

 例えば,がん細胞が1,2個しかない超微小転移と呼ばれるものは,今のAIでは発見が難しいです。しかし,データセットに「これが超微小転移です」とのアノテーションを付ければ,発見できる可能性は十分にあります。

仲野 診断精度の向上にはAIに学習させるデータセットの整備が重要なんですね。そこをクリアできれば,AIの可能性はさらに広がりそうです。

人間はAIに学び,AIは人間に学ぶ!?

仲野 肺がんのAI病理診断についても,2018年10月のNature Medicine誌に興味深い論文が出ています2)。病理組織画像を使って,がん細胞の有無だけでなく,KRASTP53などの遺伝子変異の有無までもある程度わかってしまうとの結果です。組織の画像から遺伝子変異を見つけるなんて,人間には到底できない技だと思います。

石川 ええ。数百もの画像を見比べて,共通点を抽出しなければなりませんからね。

 ただ,AIによる解析結果とその根拠を踏まえて組織を見直し,「ああ,そういうことね」と人間が学びを得ることはあると思います。以前は,ディープラーニングによる解析の過程はブラックボックスでしたが,最近は解析のプロセスを可視化できるようになってきました。つまり,AIが病理組織画像からTP53に変異があると判断した際に,なぜそう判断したかの根拠がわかるのです。

仲野 AIに診断のコツを教わる。そんな時代が来るかもしれません。

石川 また,病理医のトレーニングでは一般的に,経験した症例から勉強していくので,かなり偏りが出てしまうのも事実です。AIを使えば,「あなたはこういう画像はまだ見ていませんよね」と教えてくれるとか,苦手分野を抽出してがんと正常の境界領域の難しい症例を重点的に見せてくれるなど,学習の効率化も可能でしょう。

仲野 AIを教育に使うのはすごく良いアイデアですよね。私は医学部の3年生に病理学の講義をしていますけど,3年生くらいになると勉強熱心な学生とそうでない学生で知識に10倍以上の差がある気がします。今は全員に向かって同じ内容を話していますが,AIを使えば,学生一人ひとりの理解度に合わせた教育ができるだろうなあと思います。

 勉強は,難しすぎても簡単すぎても嫌になってしまいます。聞くところでは,人間は自分が理解できるよりもギリギリ上のレベルの内容を学ぶと学習の効率が良いそうです。

石川 実はAIも,そういう学習法が効果的との報告があります。つまり最初は明らかにがん,あるいは明らかに正常とわかる症例を学ばせ,だんだんと難度を上げて境界領域の症例を見せていく。そのほうが,少ないデータでも性能を高めることができる場合があります。

仲野 へえ,AIもそうなんですか。面白いですね。

石川 一方で不思議に思うのは,AIの学習には多数の画像が必要なのに対し,病理医は先輩から5,6例見せられて「あとはわかるでしょ」という教わり方でも何となく理解できることです。人間が少数のデータから学べる理由は,医療のようにデータの少ない領域でAIを活用するヒントになるかもしれません。

「生成モデル」で医療AIは次のステージへ

仲野 人間もなかなかすごいぞ,という話を続けますと,病理医は初めて見る症例でも「あ,これは○○かな」と想像が働くことがありますよね。でも,AIの場合は,学んだデータセットにない症例の判断は難しいでしょう。

石川 非常に難しいと同時に,面白いテーマです。ある症例を見て「これはAかBか,あるいはそれ以外か」を判断するような課題は簡単で,これには「識別モデル」の考え方が使われます。

 一方,初めて見るものに対する判断で使えそうなのが「生成モデル」です。ディープラーニングにおける最近の技術革新の中で最も注目されている技術です。

仲野 どんな技術ですか。

石川 一般画像の分野ではすでに実用化されていて,生成モデルを使った面白い動画をYouTubeで見ることができます3)。例えば,仲野先生の顔写真を使って,メガネを外したり髪の毛を生やしたりすることが簡単にできるのです。

仲野 それは,うれしい(笑)。いわゆるフェイク画像ですね。今はものすごく自然な画像が作れるらしいです。もはやAIでしか見破れない,なんて話も聞きます。

石川 ちょっと難しい話になりますが,8ビット(28=256階調)の情報が割り当てられた100×100ピクセルの画像には,256100×100ものパターンがありますね。しかし実際には,人間の顔画像の取り得るパターンはある程度の範囲に収まります。仮想空間上でその範囲を正しく学習することで,例えばこれまでにないような自然なフェイク画像をAIに作らせることなどに利用できます。

 今,この考え方を病理組織画像に応用できないかと考えています。つまり,病理組織画像の取り得るパターンの範囲をAIに理解させておいて,新しい症例に対しても何らかの判断ができるようにしたいのです。

仲野 例えば,この細胞は遺伝子Xと遺伝子Yに変異が入っている新しいタイプのがんではないでしょうか,というようなことがAIで予想できるかもしれないのですね。

石川 まさに,そういうことができるのではと思っています。もう一つ,生成モデルを使って遺伝子発現のデータから病理組織画像を作るようなことにも取り組んでいます。病理学とAIの組み合わせによる診断精度の向上だけでなく,疾患メカニズムの解明や治療に生かせる情報の取得など,さまざまな可能性を探っています。

病理学の裾野を広げ,高みをめざすチャンスに

仲野 これから,臨床現場の病理診断にもAI活用が進むでしょうね。将来的に病理医の仕事はAIへと置き換わるでしょうか。

石川 例えば乳がんのリンパ節転移の診断で,見逃しやすい候補をAIに挙げてもらうのはとても賢い使い方です。ファーストスクリーニングをAIに任せるのも良いかもしれません。

 ただ,最終診断までAIに完全にやらせるのは難しいと思います。「がんか,そうでないか」といった医学的な判断には必ず中間値がありますし,臨床現場ではサイエンス以外の視点を踏まえた決定が必要なこともあります。AIがいくら進歩しても,病理医による判断は欠かせません。

仲野 病理医の仕事はなくならないというお考えですね。とはいえ,仕事の内容や必要な人数は変わってくるのではないでしょうか。

石川 AIを使って少数の病理医で診断を切り盛りしていくのは当然あり得る考え方です。ただ,このようにすることで中長期的に病理診断にかかわる人数が減り,学問としての病理学が先細ってしまっては寂しいと思います。それでは現在のような,多くの病理医が日常業務に忙殺されてプラスアルファの仕事をする時間がない状況が続くのではないでしょうか。

 私としては逆に,AIを取り入れることで病理学の裾野が広がるといいなと考えています。例えばAIの助けを借りて,他科の臨床医やコメディカルにも可能な範囲で病理診断に関与してもらう。その過程で病理診断学を習得する需要が増大し,病理医はその専門家として高度な教育や新たなAIのプログラム開発にかかわるなどプロフェッショナルな仕事に注力し,病理学の高みをめざす。AIの登場は,そのチャンスととらえています。

仲野 「AIに仕事を取られそうで嫌だ」と言う学生には,「暇になるから良いんじゃないの」と言っています。今の人間は忙しすぎて,クリエイティブな仕事をする余裕がないですから。重要なのは,AIに引き受けてもらうことで空いた時間をどう使うかです。

石川 最近私のところには,AIへの関心から病理学の道を選ぶ学生も多く来ています。AIの登場で,病理学は今,皆さんが想像する以上に面白い時期を迎えているのです。

仲野 テクノロジーに囲まれて育った世代が活躍する時代になりますから,AIへの垣根も低くなるでしょうね。長生きしたいとはあまり思わないけれど(笑),病理学や医療がどう変わっていくかはぜひ見てみたいなあ。これからがますます楽しみです!

(了)

参考文献・URL
1)JAMA. 2017[PMID:29234806]
2)Nat Med. 2018[PMID:30224757]
3)YouTube. A Style-Based Generator Architecture for Generative Adversarial Networks. 2018.


なかの・とおる氏
1981年阪大医学部卒。84年同大医学部助手,89年欧州分子生物学研究所(EMBL)客員研究員,91年京大医学部講師,95年阪大微生物病研究所教授などを経て,2004年より現職。細胞分化のエピジェネティック制御について研究している。『こわいもの知らずの病理学講義』『(あまり)病気をしない暮らし』(いずれも晶文社)では,病理学をはじめ生命科学のトピックを一般向けにわかりやすく紹介している。

いしかわ・しゅんぺい氏
2000年東大医学部卒。04年同大先端科学技術センター特任助手,10年同大大学院医学系研究科准教授,13年東医歯大難治疾患研究所教授などを経て,18年12月より現職。病理学とゲノム科学,AIを統合して,がんの診断技術開発や病態解明をめざす。17年,AIを用いた病理組織画像解析の国際コンペティションCamelyon17にチームとして参加し,国内参加チームとしては唯一の入賞となる世界3位(主催者データのミスにより当初の4位から繰り上げ)となった。