【機械学習入門】 医学・薬学における機械学習の活用例

深層学習と腫瘍学

スタンフォード大学の研究者は、深層学習、特に深層畳み込みニューラルネットワーク（CNN）を用いて皮膚癌を診断するアルゴリズムを訓練してきました。 このアルゴリズムは、2000以上の異なる病気の、代表する皮膚病変の130,000画像を用いて、皮膚癌または黒色腫(メラノーマ)を検出するように訓練されました。

画像: wkipedia

米国では、毎年約540万件の新たな皮膚癌診断があり、早期発見はより高い生存率のために重要です。

例えば、早期発見は5年生存率97％と相関しますが、後のステージでは急速に減少し、ステージIVでは15-20％のマージンになります。 2017年に推定9,730人がメラノーマで死亡し、54分ごと1人にメラノーマで死亡しています。

追加情報として、視覚検査は皮膚癌診断の第一ステップであり、皮膚科医は、皮膚鏡（手持ち式顕微鏡）を用いて病変を検査します。 医師が病変が実際に癌性であると考えた場合、または最初の評価では決定できない場合、生検をフォローアップします。

スタンフォードの深層学習アルゴリズムは、報告された370の画像をレビューし、それぞれの画像に基づいて、「生検または治療を進めるか、患者を安心させるか」と尋ねられた21人のボード認定皮膚科医に対して試験されました。

結果は、このアルゴリズムは、21人の皮膚科医と同じ能力を有し、すべての画像にわたって最良の行動コースを決定することを示しました。

しかし、これらは有望な結果ですが、研究チームはアルゴリズムを臨床実践に統合する前にさらなる厳しい試験が必要であること、現時点では臨床応用できるという証拠とはならなかった、と認めています。
今回の調査では、現時点で臨床応用の証拠となるものは得られませんでした。

画像分類と病理学

画像分類と病理学

病理学は、血液や尿などの体液や組織の検査室分析に基づく、病気の診断に関わる医療専門分野です。

病理学者が顕微鏡下で画像を手動で観察することを含む、疾患を診断する方法は、1世紀以上にわたり比較的変化していません。 Beth Israel Deaconess Medical CenterとHarvard Medical Schoolの研究チームは、診断の速度と精度を向上させるために、複数の音声認識と画像認識を統合して、腫瘍を診断するアルゴリズムを習得するために深層学習を行ってきました。

研究者は、癌性および非癌性細胞を示す標識領域を有する数百の画像から始めました。 その後、ラベル領域を抽出して、そのアルゴリズムを訓練するモデルの基礎となった、数百万の例を得ました。

研究の結果、ヒトの病理学者と比較して、アルゴリズムは92％の診断成功率を達成しました。 人間の成功率96％より4ポイント低いですが、アルゴリズムと人間の結果を組み合わせると、成功率99.5％の精度でした。

今回の調査で、臨床応用の証拠を得られたわけではありませんが、これらの結果は、近い将来、病理学の分野における深層学習の採用につながる可能性があります。

参考：Machine Learning for Medical Diagnostics – 4 Current Applications
翻訳 : A.M

まとめ

実際に臨床現場で機械学習を用いた病気の診断ができるようになり、さらにそれが社会全体に広まるにはまだ時間がかかりそうですが、実現すると病院での待ち時間が減り、素早い診断が行え、より早い段階で治療を開始できるようになったりと、医療者側にとっても患者側にとっても、今までの医療現場が大きく変わりそうですね。

Avintonが公開するエンジニア育成用のアカデミーにて、機械学習を用いた画像分離プログラム体験ができます。Jupyter Notebookを使用して実際にコードを書きながら、結果がすぐに反映されます。ぜひおためしください。

今後も様々な場面で活用されている機械学習について共有していきたいと思います。