序論: イメージングの非均質性の課題
光学干渉断層撮影（OCT）は、網膜の高解像度、断面的な可視化を提供することで、眼科学の分野を革命化しました。これらの画像は、網膜黄斑病変の診断と管理に不可欠です。しかし、OCT技術の急速な普及により、イメージングハードウェアの断片化した風景が生まれました。Heidelberg Engineering (Spectralis)やZeiss (Cirrus)などの異なるメーカーは、独自の光学セットアップと処理アルゴリズムを使用しており、画像のコントラスト、ノイズレベル、空間解像度に違いが生じています。人工知能（AI）と深層学習（DL）モデルにとって、この非均質性はドメインシフトと呼ばれる重要な障害を呈します。あるベンダーの画像で訓練されたモデルは、別のベンダーの画像に適用される際にしばしばパフォーマンスが低下し、AIのスケーラビリティと多様な医療環境での臨床的有用性を制限します。
JAMAオphthalmology誌に掲載された画期的な研究で、Tangらは、3D OCTスキャンからベンダーニュートラルな多疾患検出を目的としたドメインシフトAI技術の開発と検証を行いました。高度な無教師テストタイムドメイン適応を活用して、研究者たちは、異なるハードウェアプラットフォームと臨床設定で高いパフォーマンスを維持する堅牢な診断ツールの作成を目指しました。
ハイライト
ベンダー間での高い診断精度
モデルは、単一のメーカーのデータで訓練されたにもかかわらず、異なるOCTベンダー間で堅牢なパフォーマンス（AUROC最大0.999）を示しました。
安全性重視のトリアージ
全テストデータセットで陰性予測値（NPV）が97.5%以上となり、臨床トリアージシナリオでの低い見落とし率を確保しました。
未知の管理
不確定カテゴリの導入により、モデルは希少または以前に見たことのない網膜黄斑病変を特定し、フラグを立てることが可能になりました。
ドメイン適応の成功
無教師適応手法であるテストエントロピーの使用により、広範な再学習を必要とせずに、異なるイメージングドメイン間のギャップを効果的に橋渡ししました。
研究デザインと方法論
この多施設後向きコホート研究では、香港とベトナムの幅広い機関、三次眼科病院、個人センター、オープンデータベースから、6,005人の患者の18,992件のOCTスキャンを含む大規模なデータセットが利用されました。研究期間は2008年1月から2022年9月までで、モデルの開発と分析は2022年から2024年の間に実施されました。
この技術の核心は、残差ニューラルネットワーク（ResNet）3Dモデルです。多くの従来のモデルが2Dスライス（Bスキャン）に焦点を当てるのとは異なり、このアーキテクチャは3Dボリューム全体を分析し、網膜黄斑病変の完全な空間コンテキストを捉えます。ベンダーニュートラルの要件に対応するために、研究者たちは無教師テストタイムドメイン適応手法であるテストエントロピーを採用しました。この手法により、モデルは着信テストデータの統計的特性に基づいて内部パラメータをリアルタイムで調整し、Vendor 1 (Spectralis)とVendor 2 (Cirrus)の画像間の違いを効果的に正規化します。
モデルはVendor 1の3Dスキャンのみで訓練され、その後、9つの外部データセットに対して厳格な外部テストが行われました。これはVendor 1、Vendor 2の3Dスキャン、さらには2Dスキャンを含んでおり、その多様性がテストされました。重要な革新点は、緊急、半緊急、通常の3つのカテゴリーに加えて、未見の（OOD）ケース用の不確定カテゴリを備えたトリアージモジュールでした。
結果: パフォーマンスと臨床信頼性
主な評価項目は、受信者動作特性曲線下面積（AUROC）、陽性予測値（PPV）、陰性予測値（NPV）でした。結果は一貫して高く、以下の通りです。
Vendor 1の3Dスキャンでは、AUROCは0.779から0.999の範囲でした。さらに、モデルが訓練中に一度も見なかったVendor 2の3Dスキャンに適用された場合でも、AUROCは0.754から0.991の範囲で強固なままでした。2Dスキャンに適用された場合でも、AUROCは0.801から0.950の範囲で、その適応性が示されました。
臨床的安全性の観点から、NPVは最も重要な指標です。全マイクロ平均NPVは97.5%以上でした。これは、AIがスキャンを正常または通常とラベル付けした場合、重要な疾患を見逃していない可能性が高いことを意味します。トリアージに関しては、活性新生血管性加齢黄斑変性症などの緊急症例の重要な見落とし率は、Vendor 1で6.16%、Vendor 2で6.70%でした。半緊急症例では、それぞれ4.41%と8.67%でした。
未知への対応: OODの課題
臨床AIにおける最大のリスクの一つは、モデルが認識できない条件の発生です。モデルが希少な状態を事前に定義されたカテゴリに分類しようとすると、自信を持って誤った診断を下すことがあります。Tangらはこれを解決するために、不確定カテゴリを組み込みました。このモジュールは、外部データセット全体で特異度が95.0%以上、精度が92.7%以上を示しました。感度は変動しましたが、その存在は重要な安全弁として機能し、複雑なまたは希少な症例を人間のレビューのためにフラグを立てることを可能にします。
専門家コメント: 実装ギャップの克服
このドメインシフト技術の成功は、眼科学におけるAIの大きな前進を代表しています。現在の多くのAIソリューションは、特定のクリニックで特定の機器を使用する場合にのみ機能し、現実世界の多様なハードウェアでは失敗します。無教師適応を用いて、あるベンダーで訓練されたモデルが別のベンダーで成功裏に展開できることを証明した研究者は、よりスケーラブルなAI実装のためのブループリントを提供しました。
しかし、いくつかの考慮点が残っています。NPVは優れていますが、PPV（46.0%から72.0%）は一部の偽陽性が発生することを示しており、不要な紹介を防ぐために医師の監督が必要です。さらに、後向き研究であるため、臨床フローと患者アウトカムへの真の影響は、前向きの実世界試験で検証する必要があります。不確定カテゴリの感度の変動は、モデルが誤らないことに優れているものの、すべての希少な状態をまだ完全に特定できるわけではないことを示しています。
メカニズム的には、テストエントロピーの使用はドメインシフト問題に対する洗練されたアプローチです。これは、訓練フェーズから推論フェーズへと適応の負担をシフトさせ、モデルをより動的で、現在解析している画像の特定の特性に反応するようにします。これは、より柔軟で、コンテキストに敏感なシステムへのAI研究の広範な傾向を反映しています。
結論: 普遍的な診断への道
Tangらの研究は、ハードウェア固有の訓練の制限を克服したベンダーニュートラルなDLモデルの変革的な可能性を強調しています。この技術は、プライマリケアスクリーニングから三次病院のトリアージまで、多様な眼科設定での広範な展開への道を開きます。このようなシステムは、網膜黄斑病変の検出を大幅に合理化し、緊急の症例が優先され、眼科専門家の全体的な負担が軽減されることを保証します。
今後の研究は、この技術を電子健康記録に統合し、疾患進行の長期モニタリングへの応用を探索することに焦点を当てるべきです。AIが成熟するにつれて、診断精度だけでなく、この多施設コホート研究で示されたようなシームレスなクロスプラットフォーム統合に焦点が移る可能性があります。
参考文献
1. Tang ZQ, Zhang YH, Ran AR, et al. Domain-Shift AI Technology for Vendor-Agnostic Multiple Macular Disease Detection From 3D OCT Scans. JAMA Ophthalmol. 2026 Feb 26. doi: 10.1001/jamaophthalmol.2026.0029.
2. Schmidt-Erfurth U, Waldstein SM. A technology update on optical coherence tomography. Invest Ophthalmol Vis Sci. 2014;55(12):8459-8476.
3. Ting DSW, Peng L, Varadarajan AV, et al. Deep learning in ophthalmology: The path to the clinic. Nat Med. 2019;25(2):251-256.
