NVIDIA Inceptionプログラムに参加するスタートアップは、検診へのアクセスの難しさや放射線科医の不足、治療選択の根拠となる検査結果が出るまでの遅さなど、乳がん診療における複数の課題に対処するため、人工知能を活用している。こうした応用が進む米国では、年間約4,000万件のマンモグラフィーが実施されている一方、今後10年間に放射線科医が不足すると見込まれており、画像の読影と診断を担う体制への圧力が高まると予想されている。
NVIDIAによると、紹介する企業は、グラフィックス処理ユニット（GPU）、CUDA、MONAIなどのコンピューティング基盤を利用し、自動画像撮影から病理スライドの分析、臨床データと遺伝データの統合まで、幅広いツールを構築している。
より一貫性があり、患者に近い画像撮影
iSono Healthは、FDAの認可を受けた、装着可能な3次元・定量的超音波システム「ATUSA」を開発している。このシステムは、従来の手動による超音波検査に最大45分かかるのに対し、片側の乳房につき約2分で標準化された乳房のボリュームデータを取得する。
このシステムは人工知能を利用して画像撮影を自動化しており、150万フレームを超える数千件の完全な超音波検査データで訓練されている。同社によると、このシステムは2次元の手動超音波検査より感度が28％高い。また、撮影方法を標準化することで、毎年の検査結果を比較しやすくなり、装置の操作者の経験に起因するばらつきを減らせる可能性がある。
ATUSAは現在、カリフォルニア州、テキサス州、ジョージア州、テネシー州、ワシントンD.C.の提携クリニックを通じて商用提供されている。iSono Healthは、プラットフォームの性能を検証するため、3,200人の患者が参加する多施設研究を実施しており、主要な研究施設にはUC DavisとVanderbilt University Medical Centerが含まれる。同社は、病変の検出、セグメンテーション、分類までツールを拡張し、その後、3次元超音波をマンモグラフィー、磁気共鳴画像（MRI）、臨床情報と統合することを目指している。
放射線科医の負担を軽減
Whiterabbit.aiは、マンモグラフィー画像から乳房密度を自動評価するFDA認可済みツール「WRDensity」を開発しており、数十万人の患者の診療で利用されている。また、臨床意思決定を支援し、長期的な乳がん発症リスクを推定する「WRRisk」も提供している。
同社は、放射線科医による乳がんの発見件数を増やすとともに、がんの兆候が見られない画像の確認を自動化できる、マンモグラフィー向けの次世代AIツールを研究している。ここでの実際の目的は医師を置き換えることではなく、まれな症例を探す作業の負担を軽減することだ。共同創業者兼最高技術責任者（CTO）のJason Su氏によると、乳房画像診断を担当する放射線科医は、マンモグラフィー画像約200枚の中から、およそ1件のがん症例を見つけようとしている。
画像から治療決定へ
Ataraxis AIは診断後の段階に注力している。ここでは、治療方針の決定に2～4週間を要する組織検査が必要になる場合がある。同社のモデルは、デジタル病理スライドと標準化された臨床変数を分析し、腫瘍の治療反応と再発リスクを予測する。
あるモデルは、手術前の化学療法に反応して腫瘍が縮小する可能性を予測し、別のモデルは、手術後5年間に病気が再発するリスクと、化学療法によって得られる可能性のある利益を推定する。同社によると、これら2つのモデルは10を超える医療機関と複数の臨床試験で検証され、臨床で使用されている。モデルは、オンプレミスの基盤、外部データセンター、またはクラウド上で稼働させることができる。
データを3次元モデルに統合
SimBioSysは、手術と治療計画を支援することを目的に、乳房腫瘍、血管、軟部組織の3次元モデルを作成する精密医療技術を開発している。また、MRIから得られる体積データ、病理学的検査結果、臨床データに基づいて、がん再発リスクを推定するツールも開発した。
最も重要な変化は、それぞれの情報源を個別に分析するのではなく、複数種類のデータを統合することにある。ただし、記事自体も重要な制約を指摘している。紹介された技術の一部は依然として研究段階にあり、商用利用についてFDAの承認を得ていない。また、特に予測結果が治療決定に直接影響する場合、これらのツールを広く導入する前には、進行中の研究の結果と臨床検証が引き続き決定的な要素となる。
なぜこのニュースが重要なのか
これらの応用事例は、乳がんにおける人工知能の実用的な価値が、異常画像の検出だけにとどまらず、画像撮影の再現性を高め、リスクを順位付けし、治療決定に先立つデータ分析を迅速化することにまで広がっていることを示している。しかし、臨床導入の可否はAIモデルの速度だけで決まるわけではない。規制当局の認可、複数の医療機関にまたがる検証、異なる患者集団における予測精度など、なお検討すべき問題が残されている。