ハイライト
- Neuropath-AIは、96％のサンプルで家族レベルの分類、87％のテストコホートで終端レベルの予測を達成しました。
- モデルは、DNAメチル化参照ラベルと比較して、特定のCNS腫瘍タイプに対するトップ1精度が80％、トップ2精度が86％を達成しました。
- 本研究は、深層学習が標準的な組織病理学全体スライド画像から複雑な分子特徴を直接推定できることを示しています。
- この技術は、世界中のCNS腫瘍診断の効率と精度を向上させる拡張可能で臨床的に適用可能なアシスタントを提供します。
組織学と分子診断のギャップを埋める
2021年の世界保健機関（WHO）による中枢神経系（CNS）腫瘍の分類は、純粋に形態学的な評価から分子特性に大きく依存した統合的なアプローチへの診断パラダイムの根本的な変化をもたらしました。DNAメチル化プロファイリングは現在、分子分類の金標準ですが、その臨床的有用性は高コスト、長いターンアラウンド時間、専門的なインフラストラクチャの必要性により制限されることがよくあります。これにより、世界の神経腫瘍学ケアにおいて「分子的ギャップ」が生じています。
これを解決するために、研究者は人工知能に注目しています。深層学習とコンピュータビジョンを利用して、標準的なヘマトキシリン・エオシン（H&E）染色スライドから直接染色体異常、突然変異、メチル化パターンなどの分子特徴を推定することが可能になりました。本研究では、分子テストの精度を持つが、日常の組織学と同じ速度とアクセス性を持つ階層的な分子推論ベースのシステムNeuropath-AIを評価しています。
研究設計と方法論
この多施設、後向き研究では、研究者が大規模な全スライド画像（WSI）データセットを使用してNeuropath-AIを開発および検証しました。訓練フェーズでは、国立癌研究所（NCI）、小児脳腫瘍ネットワーク（CBTN）、デジタル脳腫瘍アトラスから5,835のサンプルが使用されました。モデルは、臨床実践で遭遇する主要なグリオーマ、胚細胞腫瘍、髄膜または中胚葉腫瘍の52種類の腫瘍タイプを識別するように訓練されました。
テストコホート
モデルの性能は、2024年から2025年にかけて4つの主要な施設（NCI、Northwestern Medicine、ピッツバーグ大学メディカルセンター、ロンドン大学）で同定された5,516のサンプルからなる別のコホートで厳密にテストされました。コホートは性別でバランスが取れており（女性50％、男性50％）、中央値年齢は43歳でした。すべての診断の基準はDNAメチル化に基づいた分類であり、最高レベルの真実度の正確さを確保していました。
統計的評価指標
主要な目的は、広範囲の「家族」レベル（例：グリオーマ対胚細胞）と具体的な「終端」分類の2つのレベルでの分類精度を測定することでした。主要評価項目には、信頼閾値を超える予測を受け取るサンプルの割合（カバレッジ）と、希少な腫瘍タイプの存在を考慮したバランスの取れた精度が含まれました。
主な結果：高精度と臨床カバレッジ
検証研究の結果は、Neuropath-AIの診断補助としての可能性を強調しています。モデルは高カバレッジを示し、5,516のサンプルの96％で家族レベルの分類に成功しました。中程度以上の信頼性で終端レベルの分類に押し進められた場合、モデルはコホートの87％に予測を提供しました。
予測性能
信頼閾値を超える終端分類を満たす4,772のサンプルのうち、最も高いスコアの予測（トップ1）は、DNAメチル化参照ラベルと一致したケースが80％（3,817サンプル；95％信頼区間79-81）でした。すべての52カテゴリにわたる性能をサンプル頻度に関係なく反映するバランスの取れた精度は66％（95％信頼区間63-70）でした。
トップ2の予測を考慮すると、精度は86％（4,103サンプル；95％信頼区間85-87）に上昇し、バランスの取れた精度は75％でした。これらの数値は、AIアシスタントが多くの場合、正解の腫瘍タイプを即座に特定するか、またはトップ2の鑑別診断に含めるという強力なセーフティネットを病理学者に提供することを示唆しています。
専門家コメント：臨床的意義
Neuropath-AIが形態学から分子特性を推定できる能力は、重要な技術的マイルストーンです。これは、DNAメチル化プロファイリングの金標準を置き換えるものではありませんが、迅速なスクリーニングツールとして機能します。分子検査が利用できない環境では、以前に不可能だった診断の深さを提供します。リソース豊富な環境では、さらなる検査の優先順位付け、人間の誤りのフラグ付け、統合診断までの時間を大幅に短縮することができます。
本研究の1つの制限は、後向き性にあります。大規模な多施設コホートが堅固な証拠を提供していますが、前向き研究が必要です。さらに、バランスの取れた精度66％は、一般的な腫瘍が非常に高い精度で識別される一方で、希少なサブタイプはAIにとっても人間の専門家にとっても課題であることを示しています。
結論
Neuropath-AIシステムは、精密な神経腫瘍学の民主化に向けて大きな一歩を踏み出しています。標準的な組織学スライドから分子レベルの洞察を提供することで、診断の精度と効率を向上させる道を切り開いています。モデルが公開され、将来の前向き試験での実装が進むにつれ、病理学者の役割は手動の観察者からAI駆動データの高レベルの統合者へと再定義されることでしょう。
資金提供と参考文献
本研究は、国立衛生研究所（NIH）の内部研究プログラムによって資金提供されました。
参考文献: Lalchungnunga H, Dampier CH, Singh O, et al. 分子推論に基づく階層的深層学習システムのCNS腫瘍診断における分類精度：多施設後向き研究. Lancet Oncol. 2026年2月;27(2):243-253. doi: 10.1016/S1470-2045(25)00661-8. PMID: 41643698.
