MoleGazer 開発実現可能性調査

バックグラウンド

メラノーマの発生率は急速に増加しており、2015 年には英国で 15,906 人の新規症例が発生し、2,285 人が死亡しています。 進行性黒色腫の 8 ～ 25% と比較して、初期段階の疾患の 5 年相対生存率は 95% を超えているため、黒色腫の早期診断は不可欠です。 英国では、皮膚がんの費用は 2020 年までに 1 億 8,000 万ポンドを超え、影響を受けた個人に重大な罹患率 (および死亡率) をもたらすと予測されています。 黒色腫の最大 60% は、既存の母斑 (ほくろ) から発生します。 メラノーマの早期発見は、個人が母斑の変化を認識することに依存しており、訓練を受けた皮膚科医がダーモスコピー (倍率 10 倍) などの診断補助を使用してこれらの母斑を複数の母斑の専門家によって評価している個人に依存しています。 さらに、母斑の逐次監視も黒色腫の検出率を高めるという証拠があります。

全身写真 (TBP) は、複数の母斑をモニタリングするための診断補助です。

複数の母斑（>60）を持つ黒色腫を発症するリスクが高い患者の場合、全身写真（TBP）（高解像度カメラを使用して撮影された標準化された身体部分の画像）は、母斑を追跡、比較、および監視するための補助として使用されます。時間と黒色腫の診断を改善することが実証されています。 幼虫の推奨される短期間のサーベイランス モニタリングは 3 か月ですが、主に単一の病変に限定されます。 リソースに制約のある国民保健サービス (NHS) では、皮膚科医による複数の母斑の頻繁な監視は非現実的で非効率的であるため、メラノーマの早期診断は患者の自己監視に効果的に依存しています。 解決策として考えられるのは、人工知能 (AI) を使用した TBP 画像の自動分析で、経時的に naevi を追跡および監視することです。

TBPに人工知能を適用すると、「ほくろマッピング」の効率が向上する可能性があります

以前の皮膚病変の AI 評価は、皮膚がんの診断において訓練を受けた皮膚科医と同等の精度を示していましたが、これは静的な時点での単一病変分析 (生検で証明された診断) に依存していました。 切除が予定されている病変（すなわち、黒色腫の臨床的疑いが高い）の使用は、臨床的適用性を著しく制限し、コクランレビューは、二次医療における黒色腫診断のためのコンピューター支援検出の有用性は不明のままであると結論付けました.臨床的に「モルマッピング」と呼ばれる連続TBP画像を使用した母斑の変化の検出は、実際にメラノーマの早期診断を改善することができます。

今日まで、NHS の TBP システムは自動化が制限されており、画像の保存と取得に制限されていました。 1 つの自動化された全身スキャン システムが存在し、将来的には現在の画像取得および病変マッチング アルゴリズムに加えて AI ベースの診断を組み込む可能性がありますが、完全な臨床検証とその後の NHS での実装には、必要な投資のために費用がかかります。スキャン システム (現在の費用は 100 万ドル)。 従来の画像取得機器と高度な AI 技術を使用して、同等またはそれ以上の結果を達成できるかどうかは不明です。 研究者らは、現在 NHS で採用されており、個人の臨床レビューの補助として使用できる、標準的な TBP ベースの naevi の監視を使用して、黒色腫の早期発見のための天文学的 AI 手法の新しいアプリケーションを提案しています。

複数母斑のTBPモニタリングへの天文AI技術の応用

天文学における過渡科学は、爆発する星などの新しい天文学的ソースの進化を検出して追跡することを目的としています。 長期的および短期的な進化を示す個々のイベントは、新しい画像をアーカイブ データと比較することで検出され、一時的な明るさ、色、適切な動き、範囲などの特徴セットに基づいて分類されます。 最先端の天文調査では、微妙な変化を特定するために、複数年のタイムスケールで毎晩空を監視しています。 完全な時系列履歴とコンテキスト情報を使用する AI 技術 (ランダム フォレストやリカレント ニューラル ネットワーク (RNN) など) は、イベントを確率的に識別および分類するために日常的に使用されます。 新しい観測ごとに追加情報が提供されるため、天文過渡調査では新しいソースを定期的に検出して特徴付けることができるため、新しいソースの進化を 3 つの時点のみに基づいて 99.5% の精度で予測できます。

天文学が直面するこの課題は、メラノーマを発症するリスクが高い個人の「ほくろマッピング」に似ています。 naevi と天文の両方のソースは、変化を検出するために複数の画像にわたって追跡される均一な背景に対する別個のソースとして特徴付けることができます。 したがって、研究者は、天文学的 AI 技術がこの臨床問題に対処するのに理想的に適していると仮説を立てており、これをテストするために MoleGazer プロジェクトを開発しています。

根拠

MoleGazer アルゴリズムを開発するために、研究者は天文 AI アルゴリズムを TBP 画像に適用して連続画像全体で幼虫を検出および追跡するためのベースライン データセットを必要とします。 現在、研究者がこの実現可能性をテストするための公開されている TBP 画像のデータベースはありません。したがって、この研究では以下を収集することを目的としています。

1. 2 年間にわたって一定の連続した時点で撮影された TBP 画像の時系列コホート
2. 任意の時点で撮影されたシーケンシャル画像を含む TBP 画像のベースライン コホート TBP 画像を収集することにより、研究者は、ネイビー検出の感度と、肌の色合い、照明レベル、画像登録、およびバックグラウンド減算技術に関する特徴付けを研究できるようになり、研究者は次のことが可能になります。また、naevi の検出を自動化し、研究チームが持っている一連の画像でその進化を追跡します。 このデータベースの開発により、研究者は天文 AI 手法を TBP 画像に適用する可能性を実証できるようになります。