医療×AIセミナーシリーズ第2回「内視鏡とAI」

東京大学政策ビジョン研究センター、慶應義塾大学メディカルAIセンター、エムスリー株式会社m3.com編集部は、2019年1月27日に医療×AIセミナーシリーズ第2回「消化器科とAI」を開催しました。講師に平澤俊明氏（がん研有明病院上部消化管内科副部長）、青木智則氏（東京大学大学院医学系研究科内科学専攻博士課程）をお迎えし、内視鏡を中心とする消化器科におけるAIの利活用・開発の現状と課題についてお伺いしました。

AIが医師をサポート

平澤氏はまず、医療現場にも登場し始めているAIの概略や課題について紹介した。神経細胞網を模したニューラルネットワークは入力を与えて出力を出すネットワークだ。１層ずつだと大したことはできないが中間層を多層化したのがディープラーニングで、特に画像認識に高性能を発揮している。だが機械学習システムは応用が利かない、常識を教えるのは難しい。またアウトプット自体は正解でも、その理由が説明できないブラックボックスの問題があり、ホワイトボックス化が必須な医療現場での活用では課題となっている。

では医療現場ではAIはどのように使われているか。画像診断のミスは医師の経験に関係なく発生している。つまり誰にでも起こり得る。情報過多の時代において、AIを医師のサポートとすることが期待されている。IBM Watsonは大量の論文を取り込み、人間が診断できなかった白血病の患者を救った事例などで知られている。米国でも活用されており、医師の治療方針とほぼ一致する結果を出すことができる。米国食品医薬品局（FDA）は2018年4月に、IDx社による糖尿病性網膜症を検出できるAI医療機器「IDx-DR」を承認した。人間の眼科医の判断なしで診断ができる。米国ではそこまでAIの診断を認め始めている。

病理診断にも使われており、顕微鏡下での乳がんの診断をリアルタイムで行えるシステムもあり、専門医と同等以上の能力があると言われている。日本でも病理学会が主導し、胃の生検組織の画像診断を行おうとしている。皮膚がんの診断も専門医と同等の結果を出せるようになっている。将来はスマホで皮膚疾患が診断できるようになるかもしれない。

東大発ベンチャーのエルピクセルは2018年10月にオリンパスなどから30億円を調達し、AIによる脳動脈瘤の発見に力をいれている。また、エルピクセルと富士フイルムは、CTを使った病変の検出・診断とレポートの半自動作成システムを製作中だ。国立研究開発法人日本医療研究開発機構（AMED）は大腸ポリープ・がんを自動検知するAIの開発を行っている。

1万枚の内視鏡画像からピロリ菌感染を3分で判別

内視鏡診断では、大阪国際がんセンターがピロリ菌がいる例といない例、それぞれから画像を集め（合計3万2208枚）、これを教師データとしてAIを作成し、おおよそ１万画像で検証した。AIと内視鏡医23人の結果を比較したところ、AIが医師の平均を上回った。

一番の驚きは、人間の内視鏡医が1万画像の診断にかかった時間が４時間だったのに対し、AIはわずか3分で処理を終えたことだと平澤氏は指摘した。つまりAIは人間の80倍の処理速度を持つ。人は太刀打ちできない。大腸ポリープの拾い上げにもAIが使われはじめている。超拡大内視鏡を使って腫瘍性病変か非腫瘍性病変かを判断するAIが「EndoBRAIN」という商品名でサイバネットシステムから商品化される予定だ。医薬品医療機器等法（薬機法）の承認も取得している。今後、AI関連の特許はどんどん増えると考えられる。だがそうなると新しく参入しにくくなる。それもまた課題になると考えられる。

AIは胃がんを見逃さない

胃がんの内視鏡診断にもAIは活用されている。内視鏡診断を行ったあと3年以内に発症した「見逃し胃がん」は25%くらいある。内視鏡の経験によって見逃しには差があることが知られており、10年未満は3割くらい、10年以上になると2割くらいとなる。ある程度の経験が必要であることが示唆されている。

胃がんの見逃しが多い理由は、胃炎に紛れてしまい発見が難しいからだ。医師は胃がんの発見に困っている。では、トレーニングで改善するのか。専門施設で2年間研修した若い医師は、発見率が４倍になったという報告もある。確かに改善はするが時間がかかる。そこで平澤氏やAIメディカルサービス代表取締役会長CEOの多田智裕氏らのグループは人工知能を使えないかと考えた。年間3万件の内視鏡検査を行うがん研には良質のビッグデータがある。

ではAIをどうやってつくるのか。AIに多くの胃がんの教師データを覚えこませる。AIは特徴量を抽出して、やがて胃がんを判別できるようになる。ただし、教師データを作るには人間が人力で「アノテーション」を付さなければならない。具体的には画像をマーキングして、細かい臨床データを紐づけをする。教師データを作る作業には手間がかかったが、ここを手抜きすると質が落ちてしまう。ここには専門医の力が必要だし、簡単ではなかったという。

完成したAIは、2017年3月にがん研有明病院で治療した胃がん77病変、2296枚の画像で検証した。2296枚の診断にかかった時間は47秒。つまり1画像あたり0.02秒しかかかっていない。感度は92.2%だった。AIが見逃してしまう病変にはそれなりの理由がある。表面にしかないがんで、5mm以下の小さいものは見逃してしまったが、6mm以上の胃がんは99％発見することができた。232病変を胃がんと診断したうち、71病変が胃がん、偽陽性が161病変だった。つまり、陽性反応的中度は、30.6%だった。一般的に生検してがんであることは10％もないことから考えると、それよりも良いことになる。偽陽性の内訳は胃炎がもっとも多かった。これは人間の医師も間違えることが多い。また解剖学的屈曲についてはAIに教えていないため間違っていたが、これは今後、AIを教育すれば改善すると考えているという。まとめると、AIは胃炎を誤診することはあるが、胃がんの見逃しはごくわずかであった。

胃がん内視鏡検診のダブルチェックにAIを

今後の展望として、胃がん内視鏡検診はダブルチェックでの活用を平澤氏は指摘した。さいたま市では胃がんの内視鏡検診で、専門医によるダブルチェックを月に2回行っている。医師一人につき70症例のダブルチェックが必要で、１症例の内視鏡画像がおよそ30-40枚程度だとすると、おおよそ2800枚になる。これを2時間程度かけて行う。ところがこれにAIを使うと2800枚が1分ですむ。少なくとも下読みくらいには使えるはずだ。

近い将来には、リアルタイム診断もできるようになる可能性がある。また、教師データはすべてオリンパスの内視鏡画像を使っていたが、富士フイルムの内視鏡画像を使って試したところ、同じように見つけることができたとのこと。機種／メーカーを変えても使えそうだとわかった。動画を使って拾い上げ診断をテストしたところ、早期胃がんの68病変のうち64病変を見つけることができた（感度94.1%）。見逃した４病変は、胃炎とほとんど違いがわからないような症例だった。人間が見てわからないものはAIもわからないし、拡大内視鏡を使わないとわからないようなものは、当然だがAIでもわからない。このほか食道がんや潰瘍性大腸炎の診断などでもAIは良い成績を出している。将来的には全消化管のすべてをカバーできる見込みがあるという。

課題は規制の厳しさ

問題点は規制が厳しいことだ。身体や命が関わる医療には安全性が求められる。有効性や平等性も必要なので新技術導入には時間がかかる。いっぽう国も、AIを活用した医療を推進しようとしている。厚生労働省のロードマップを見ると、もしかしたら2020年にはAI医療に保険加算がつくかもしれない。

AI医療システム独特の問題もある。AIは追加学習により性能が変化する。質の高いデータを追加しても過学習してしまい成績が悪くなることもある。ではバージョンアップすると、その都度、承認や治験が必要になるのだろうか。また、AIには予測や解釈のアルゴリズムがブラックボックス化してしまうという課題もある。これは医療現場には合わない。誤診したときの責任の所在も課題だ。厚生労働省は、すでに見解を出している。AIはあくまで医師の仕事効率を上げる支援ツールであり、診療を行う主体は医師であり、医師以外は診療ができない。よって使用する医師に責任があるというものだ。

では内視鏡診断のAIを開発するにはどうすればいいか。まずは独立行政法人医薬品医療機器総合機構（PMDA）に相談することが必要だ。相談には費用もかかる。だが「胃がんを発見する」となると治験が必要だし、時間もかかることになる。開発コストの回収が必要になると、高価になってしまう。また、リアルタイム診断するにはハイスペックなPCでなければ動かない。コストが高くなると、ソフトウェア価格にはねかえる。平澤氏は「保険診療でAI加算がないと広まらない」と述べた。

あとは医師による新しいものに対するアレルギー反応も課題だ。だが心電図の自動解析も一種のAIだ。あれも導入時には医師側の反対があったが、今ではごく普通に使われている。どういったことが得意／不得意かさえ見極めることができれば、ツールは非常に有効だ。平澤氏は「内視鏡AIもはじめは抵抗があるだろうが、５年くらい経てば誰もが使う普通の道具になるだろう」と語った。

最後に平澤氏は、ブタペストにあるゼンメルヴァイス博物館を訪問したことを紹介した。ゼンメルヴァイスは、産じょく熱の原因は医師の手の汚れであり、塩素水による手洗いを励行した人物だ。その結果、産じょく熱による妊婦の死亡率が30%から3%にまで下がった。今となっては当たり前だが、当時の医療界からは猛反発を受け、ゼンメルヴァイスは1850年にウィーン総合病院から追放されてしまった。

この例をひいて、平澤氏は「新しいことをやろうとしたら必ずアゲンストの風が吹く。AIも同じ。ちゃんとしたエビデンスを出しながら、一個一個の課題を解決する。最終的にはAIを利用して医療を良くしたい。これから大きな『Change』の時代を迎える。『Change』は一文字変えると『Chance』。僕らの手にはAIを使って医療をよりよくするチャンスがある。人間とAIが協調する素晴らしい医療を作っていきたい」と講演を締めくくった。

次に東京大学大学院医学系研究科内科学専攻博士課程の青木智則氏が登壇し、カプセル内視鏡の人工知能（AI）を使った支援について紹介した。青木氏らは、平澤氏と同じくAIメディカルサービスと共同研究を行っており、ディープラーニングを用いて、カプセル内視鏡画像におけるびらん・潰瘍所見の自動検出法を開発しようとしている。

1症例当たり4～8万枚撮影するカプセル内視鏡

青木氏は小腸カプセル内視鏡と胃カメラとの違いを、カプセル内視鏡を使っている医師の悩みなどを含めて紹介した。カプセル内視鏡は、被検者が飲み込むだけで検査ができる小型内視鏡だ。メインは小腸用である。シェアが大きいのはMedtronic社の「PillCam SB3」で、サイズは26mm×11mm、重さは3g。高齢者でもつるっと飲めるという。

1秒間に2枚から6枚の画像を自動撮像し、無線送信によって外部のレコーダーに記録する。被検者は身体に8枚のセンサーアレイを付けるので、ざっくりした位置情報はそこで手に入る。レコーダーに録画された画像は最終的にはワークステーションに取り込まれて、臨床医が読影して確認を行う。

小腸カプセル内視鏡は、原因不明の消化管出血において、上部・大腸内視鏡カメラで原因がわからなかった場合に使われることが多い。小腸は3-6mと長く、通常の内視鏡では届かず、患者の苦痛を伴ってしまうためだ。原因がわからなかった場合、小腸を検索する。2000年にこのカプセル内視鏡が発表されたときは画期的だと言われたという。

胃カメラの検査時間は5分から20分程度だが、カプセル内視鏡の場合は小腸の観察時間は4～8時間程度。胃カメラでは撮像枚数は1症例あたり多くて100枚程度だが、カプセルの場合は自動撮像なので4万枚から8万枚に及ぶ。胃カメラでは読影はリアルタイムに行うが、カプセルの場合は撮影は自動で行われるので、読影は基本的に検査後にまとめて行うことになる。空気を使って広げてみるための送気機能はない。だが、被検者への体への負荷は小さい。

胃カメラの場合は送気によって広げて見ることができるが、カプセル内視鏡ではそのような機能はないので胃は見られない。だが、十二指腸や小腸はもともと管腔がそれほど大きくないので十分な観察ができる。画像はカプセルの通過速度に合わせて1秒間に2枚から6枚撮影され、双方向の無線通信によってレコーダーに記録される。これを一つの症例あたり、30分から60分かけて読影する。

実際には動画のように連続画像を見ながら読影する。カプセルは腸内を行ったり来たりする。そのときに自動撮影した連続画像を動画形式で見続けることになる。

自動撮像なので、画像が暗かったり、焦点があっていなかったり、残渣や泡も多い。省略したり、水を流して綺麗にしたりすることはできない。一方、じっくり見たいところを重点的に撮影しているわけでもない。具体的には、がんであっても、わずかな枚数しか撮影されていないことがある。つまり、膨大な枚数が撮影される一方で、異常所見が見つけにくいという課題がある。そこで、コンピュータによる異常所見の自動検出システムが期待される。

小腸のびらん・潰瘍を自動検出するAI

カプセル内視鏡では様々な所見が映る。小腸は、そもそもあまり病気がないと言われているが、種類は様々で、びらん、潰瘍、血管拡張症、リンパ管拡張、小腸がん、リンパ腫などがある。特に頻度が高いのはびらん、潰瘍、血管拡張症、リンパ管拡張だ。人の目でも認識しやすいものも、認識しにくいものもある。

2014年、色の識別による自動検出という取り組みの発表があった。血管拡張は赤いし、リンパ管拡張は白い。それらを認識して自動検出するというものだったが、びらん・潰瘍の色識別による自動検出は限界があった。びらん・潰瘍の所見のなかにはクローン病や小腸がん、非ステロイド性抗炎症薬による潰瘍などが疑われることがあり、びらん・潰瘍所見の拾い上げは重要である。

このような流れから色以外の特徴量をAIが自分で見出せるディープラーニングの出番がやってきた。青木氏らは、カプセル内視鏡画像におけるびらん・潰瘍所見を自動検出することを目指した。教師画像を使ってモデルを学習させて、別の画像セットで検証を行った。ニューラルネットワークには、領域ベースの特徴抽出が可能で画像の移動や変形に対して頑健なため画像認識に強いCNN（畳み込みニューラルネットワーク）を用いた。具体的にはびらん・潰瘍が見られる5360画像を使って学習させたあと、学習済みCNNに正常か異常か、どのくらいの確率でびらん・潰瘍なのかを自動抽出させた。

CNNの読影速度は速い。1万0440画像を233秒で読影できる。角度の問題でうまく検出できないこともあり、また泡や残渣、正常血管構造をびらんと判断してしまうこともあった。いっぽう確率は少ないが専門医が見落としたびらんをCNNが発見した場合もあった。1万画像のうち３つと少ないがCNNが検出することで人が確認することができたという。感度は90％前後だった。

AIはカプセル内視鏡画像読影の強力なサポートに

最後に今後の展望として、感度を上げるために、残渣や泡が多い画像では感度がやや低くなってしまう課題があり、それを克服したいとした。情報量が多すぎると拾えないのだ。そこで今後は検出精度の向上と、血管拡張症や隆起性病変など他の異常所見の検出もできるシステムの開発を目指す。

また大腸カプセル内視鏡への応用も探る。大腸用のカプセルカメラには、まだカプセル内視鏡検査の手法自体に課題があり広く使われていない現状があるが、もし普及してくるのであれば同様の課題があるため、同じようにAIが活用できると考えているという。青木氏は「臨床応用することで臨床医の読影負担や見逃しを減らすことにつながる自動診断システムの第一歩である」と述べ、「AIはカプセル画像読影の強力なサポートとなる。読影医の時間的な負担や精神的負担を軽減できることにつながるし、それがさらにカプセル内視鏡の普及につながると考えている」と語った。カプセル内視鏡画像のアノテーションについては東京大学、広島大学、仙台厚生病院で進めている。

講師プロフィール

平澤俊明（ひらさわ・としあき）
がん研有明病院上部消化管内科副部長
1974年生まれ。1999年高知医科大学医学部卒業。卒後の3年間、聖路加国際病院で内科を中心とした初期研修を行った。2002年に千葉大学第一内科に入局し、消化器専門研修を行い、君津中央病院などで消化器内科医として研鑽を積んだ。2004年から東葛辻仲病院で大腸内視鏡を中心に研鑽し、2006年からはがん研有明病院に勤務し、胃癌の診断と内視鏡治療を中心とした臨床および研究を行っている。2016年からAIによる胃癌診断の研究を開始し、2018年に世界初の“AIによる胃癌の拾い上げ診断”の論文を発表した。日本消化器病学会専門医、日本消化器内視鏡学会専門医・指導医。日本消化器内視鏡学会「早期胃癌診断のための内視鏡ガイドライン」作成委員。

青木智則（あおき・とものり）
2010年東京大学医学部卒業後、国立国際医療研究センター病院での初期研修・消化器内科後期研修を経て、2013年より東京大学大学院医学系研究科内科学専攻博士課程。日本消化器病学会専門医、日本消化器内視鏡学会専門医、日本内科学会認定医、日本カプセル内視鏡学会医。現在の研究領域は消化管出血や小腸疾患。

« 医療×AIセミナーシリーズ一覧