網膜疾患とAIArti.cialIntelligenceforRetinalDiseases桑山創一郎*安川力*はじめに今日,人工知能(arti.cialintelligence:AI)の開発が進むとともに,AIはますますわれわれの生活の一部となってきている.広義のAIを含めれば,お掃除ロボット「ルンバ」(2002年,iRobot社),iPhoneの音声対話システム「Siri」(2012年,アップル),人型ロボット「Pepper」(2015ソフトバンク)などがあげられ,最近では,「GoogleHome」,「AmazonEcho」などのスマートスピーカー,AI搭載エアコン「霧ヶ峰FZシリーズ」(2017年,三菱),新型の犬型ロボット「aibo」(2017年,ソニー)などがお馴染みであろう.AIが便利グッズとして人間の生活の一部となる一方で,2017年5月27日にディープマインド社の「アルファ碁」が囲碁の世界最強棋士,中国の柯潔(かけつ)氏を3戦連続で降し,チェス,将棋だけでなく囲碁の世界でも人間を凌駕するようになり,AIは単なる便利グッズから人間に取って代わる脅威ともいわれるようになりつつある.将来はスーパーのレジ,サービス機関の受付業務,タクシードライバーなどをはじめとした多岐にわたる職種がAIに取って代わられるとさえ予想されている.AIの進化は医療においても同様である.人型ロボット「Pepper」が,患者への検査や処置の説明,外来受診の案内,またその姿から癒しの効果を狙い一部の医療機関で導入されている.また,検査における画像の診断・解析はAIの得意分野であり,研究が盛んに行われている.画像解析に対しては,2012年から登場した機械学習の一種であるディープラーニング(深層学習)とよばれるコンピューターアルゴリズム(図1.1))が用いられているが1),これは人間の脳内における神経回路に似た仕組みを利用した,Google社の「ネコ」認識に関する研究が有名である.最初に1,000万枚のネコの画像をコンピューターに入力し学習させることで,ネコを概念として認識できるようになり,初見の画像からでもネコを認識することができた.この研究で注目すべきポイントは,人間からネコの特徴を教え込まれなくてもAI自らが学習の過程で特徴を見出したことである.Iディープラーニング(深層学習)画像の解析はこれまで,①特徴の選択,②画像の前処理,③特徴の抽出,④画像の後処理,⑤画像解析という手順で行われていた(図2).具体的には,対象疾患の画像上における特徴(例:糖尿病黄斑浮腫→硬性白斑,毛細血管瘤など)を選び,トリミングなどの画像の前処理を行う.次に,二階調化などにより特徴を抽出し,解析のために画像の後処理(例:視神経乳頭などの無関係な信号を削除など)を行う.そして最後に,画像解析を行う.このような工程が,手作業や画像編集ソフト(Pho-toshopRやImageJRなど),表計算ソフト(Excelなど)によって行われる.しかし,それにかかる手間は対象となる画像の特徴や,サイズ,症例数などによって途方もないものとなりうる.一方,これらをコンピューターの計算力を利用することにより,手間を最大限省くことに*SoichiroKuwayama&*TsutomuYasukawa:名古屋市立大学大学院医学研究科視覚科学〔別刷請求先〕桑山創一郎:〒467-8601名古屋市瑞穂区瑞穂町川澄1名古屋市立大学大学院医学研究科視覚科学0910-1810/19/\100/頁/JCOPY(27)449図1神経回路と機械学習(ディープラーニング)の比較網膜ではシグナルが視細胞から双極細胞,神経節細胞へと下位ニューロンに伝わるほど,画像でのいわゆる画素に相当する視細胞の情報を周囲で連動,調整しつつ,画像の特徴を保持した状態で整理されていく.ディープラーニングでも,まずは細分化された画像情報の特徴を抽出・整理して下位層へと出力し,画像の答えとその特徴が結びつけられている結合(エッジ)に重みをもたせ(バックプロパゲーション),可能な限り正確な情報を伝えるアルゴリズムを構築させる.画像の特徴とエッジの重みは,ロジスティック回帰分析の各因子とオッズ比の関係に似ている.(文献1より引用・改変)図2従来の画像解析手法とディープラーニングの比較従来の画像解析では,従来は対象画像の特徴をまず選択し,二階調化処理など用い病変を検出,面積の測定などを行っていた.一方,ディープラーニングのアルゴリズムである畳み込みニューラルネットワークでは図のように小さな画像を切り取り(畳み込み),活性化関数による関数処理を行い画像の特徴抽出・ノイズ除去,プーリング処理によりデータの縮小・ノイズ除去などを行った結果得られた簡略化データファイルと診断結果を結びつけ,診断のカギとなる特徴データユニットに重みをもたせる処理を行い学習させる.画像の特徴は詳しく細部まで調べ上げるが,知りたいと思った特徴の質的・量的情報の把握が正確には困難である.(文献C1より引用・改変)=Googleのネコ認識の学習であれば,厳密にはネコという答えを出しているのではなく,「ネコである可能性が一番高い」と計算しているのである.このことは,疫学の分野であれば,ロジスティック回帰分析などを用い背景因子(血圧,喫煙Cindex,BMIなど)のオッズ比を算出することで,そこからもっとも発症しうる疾患を予測することに似ている(図1)1).CII網膜疾患の自動診断の試み機械学習による画像診断は,糖尿病網膜症,加齢黄斑変性,緑内障などの診断のために積極的に取り組まれている.そして,ディープラーニングによって糖尿病網膜症の眼底写真を自動で診断する研究の論文が「JAMA」に掲載された2).その内容は,糖尿病網膜症の眼底写真128,175枚に対し,米国の複数の修練医にその重症度を診断させ,まずは医師の診断精度自体の評価を行った.そして次に,開発したCCNNアルゴリズムに対し医師の診断結果を教え込ませて,学習済みCCNNモデルを構築した.このモデルの検証のため,新たなC2組のデータとして,米国とインドの画像データC9,963枚と,フランスでの画像データC1,748枚を用いて自動診断を行い,これを複数の米国認定眼科医による診断結果と比較した.具体的には,(中等度および重症)非増殖糖尿病網膜症,増殖糖尿病網膜症,または中心窩からC1乳頭径以内に硬性白斑を認める糖尿病黄斑浮腫のどれかを認めるものをCreferableCdiabeticretinopathy(RDR)と定義し(糖尿病網膜症国際重症度分類),検出感度と特異度を計算した.すると,「特異度」つまりCRDRでない症例を正しくRDRでないと診断できる割合を高めたものでは,感度は各々C90.3%,87.0%,特異度は各々C98.1%,98.5%となった.逆に「感度」つまりCRDRの検出率を高めたモデルの場合,感度はC97.5%,96.1%,特異度はC93.4%,93.9%であり,一般眼科医の診断力に劣らない結果となった.これを受けて,2018年C4月にCAI搭載眼底カメラIDx-DRが臨床応用を目的として発売された.ただし,現時点では臨床で用いる際に多くの課題がある.判定困難症例がC1.2割ほど存在し,そのような画像は同様に自動診断も困難となる.また,糖尿病網膜症に特化していて,検出感度はC87%,特異度はC90%とスクリーニングレベルに留まり,日本での活用は困難である.欧米では皆保険制度ではなく,医師ではなく眼鏡士(オプトメトリスト)の使用を想定して作られている.さらに,高橋らが報告したように画角C50.60°程度の後極部の眼底写真のみでは周辺部の所見に見落としがあり,疾患検出に偽陰性は避けられない3).その他,先に述べた通りAIが判定している途中過程はこちらからは把握困難なため,硬性白斑や毛細血管瘤などの所見の詳細が正確には得られず,結果を次の臨床研究に生かすということが従来の特徴抽出する手法よりも困難なものとなる.最近,米国では,超広角型眼底カメラCOptosの画像自動診断の開発が進行中のようであるが,広角である反面,睫毛の写り込みやアーチファクトなどが問題となり,機械学習用の医師の診断自体の正確さにも問題があり,高い精度のCAI搭載機器の開発はむずかしそうである.光干渉断層計(opticalCcoherencetomography:OCT)は,今や眼科診療,とくに黄斑部疾患や緑内障の診断において不可欠となっているが,OCT画像の読影は眼底写真以上の専門性を必要とするため,AIによる自動診断に関する研究の意義は大きいと思われる(図3).Leeらの報告によると,加齢黄斑変性の画像(48,312枚)と正常眼の画像(52,690枚)を学習させた結果,感度C92.6%,特異度C93.7%という高い検出力のアルゴリズムの構築に成功した4).加齢黄斑変性のみを診断できるという機械は,実際臨床の場ではなかなか活用しづらいものがあるが,この研究によりCOCT画像のCAI診断が可能であることが示された.OCT画像のCAI自動診断の試みとして,英国のCMoore.eldsCEyeInstituteとCGoogleのCDeepMindHealth社が共同でCAIによるCOCT画像自動診断に関する研究の成果を,2018年C8月に雑誌「NatureCMedi-cine」に報告した5).OCT画像の医師の診断結果をただ教え込ませ新規のCOCT画像を自動診断させるという単純なものではなく,OCTを医師が読影する際にその途中過程として行っている各構造をCsegmentationするという工程を図示して学習させ,診断結果のみでなく,黄斑浮腫,網膜.離や色素上皮.離などの所見もCOCTマップで表示できる.研究計画の時点で人間が実用化を452あたらしい眼科Vol.C36,No.4,2019(30)図3光干渉断層計(OCT)画像のAI自動診断の試みOCT画像の読影には専門的知識が必要である.大量のCOCT画像に診断名をつけて,ディープラーニングで学習済みCCNNモデルを構築し,新規のCOCT画像を自動診断させたところ,眼科疾患スクリーニングで実用化できる診断精度を得た.さらに診断精度が向上すれば,一般眼科医向け画像診断支援,さらには,治療判断支援サービスに応用可能である.AI診断信頼度(%)1黄斑前膜99.9887%2糖尿病網膜症0.0073%3正常0.0033%4.胞様黄斑浮腫0.0006%5加齢黄斑変性前駆病変0.0001%AI診断信頼度(%)1網膜静脈分枝閉塞症53.1887%2糖尿病網膜症35.7623%3.胞様黄斑浮腫9.3655%41型黄斑部毛細血管拡張症1.4489%5後部ぶどう腫0.1113%図4OCT画像のAI自動診断例AIは候補となる上位C5疾患とその信頼度を表示するように設定した.上段:99.9887%の確率で確信をもって医師の診断と同じ黄斑前膜であると診断した.下段:医師の診断と同じ網膜静脈分枝閉塞症とC53.1887%の確率で正答したが,第二候補として糖尿病網膜症,第三候補として.胞様黄斑浮腫とC5%以上の信頼度で回答した.実臨床では,一定の可能性(信頼度5%以上など)をもつ候補疾患を複数表示することで参考情報となるであろう.表1OCT画像におけるAI自動診断結果6)1C2C3C4C5それ以下83%7%4%1%1%4%計100%=