導入
乳腺超音波（US）検査は非侵襲的かつリアルタイム性に優れ、乳がん検診や病変の精査に広く利用されていますが、その診断精度は術者の経験に大きく左右されるのが現状です。
近年では、AI（人工知能）を活用して、こうした主観的バイアスを補正しようとする取り組みが進んでいます。
本研究では、従来の画像特徴量解析（Radiomics）と自己符号化器（Autoencoder）という2種類のAI技術を組み合わせることで、超音波画像から乳腺腫瘍の良悪性を高精度に判別するモデルが構築されました。
中でも注目すべきは、腫瘍の詳細な輪郭ではなく、周囲の組織を含むBounding Box（境界ボックス）情報を活用することで、現場での使いやすさとリアルタイム診断性能の向上を実現した点です。
ラジオミクスとは、超音波・CT・MRI・PETなどの画像から、形状・濃度・テクスチャ（ざらつき）などの数百〜数千の画像特徴量を数値として抽出・解析するAI技術。
研究の要点まとめ
- AI手法
- Radiomics
- Autoencoder（nnU-Netで自動セグメンテーション）
- 新バイオマーカー
- テクスチャ
- 波形特徴量（bounding box 内の画像特徴）
- 精度指標
- AUC 0.90
- 感度 81%
- 特異度 87%
- 解釈性
- Bounding Box からの特徴抽出により、腫瘍周辺組織の情報も活用
- 結論
- 従来のセグメント中心モデルよりも、Bounding BoxベースかつRadiomics + Autoencoder統合モデルが最も高精度
研究概要
本研究では、Bモード超音波画像を用いて、乳腺腫瘍の良悪性を判別するAIモデルが開発されました。
従来の画像特徴量解析（Radiomics）と自己符号化器（Autoencoder）から得られた特徴量を組み合わせてモデルを構築し、分類精度、感度、特異度などの性能指標を比較しました。
特に、腫瘍の詳細な輪郭ではなく、Bounding Box（境界ボックス）領域から特徴量を抽出することで、従来のセグメンテーションベースの方法よりも高い診断性能が得られました。
対象データ
| 症例数 | 1619検査（1517名の女性患者） |
| 検体種 | 超音波画像（B-mode） |
| 施設・国 | ドイツ（RWTH Aachen大学病院）および公開データ（5施設） |
| 研究デザイン | 後ろ向き観察研究 |
モデル構築
| モデル | nnU-Net（セグメンテーション） + ラジオミクス + Autoencoder |
| データ分割 | 訓練：検証：テスト = 50:35:15（二次データセット） |
| パラメータ最適化 | 5-fold クロスバリデーション、逐次特徴量選択 |
AIの解析内容
- 特徴量重要度
-
Radiomicsではテクスチャ・ヒストグラム・ウェーブレット、Autoencoderではエンコーダの潜在空間ベクトルが用いられました。
画像から抽出された特徴量の中でも、Bounding Box内のテクスチャパターンが診断において特に重要であると示されました補足テクスチャ：腫瘍内部のざらつきや模様のばらつき（不均一性）を数値化し、悪性度の指標となる
ヒストグラム：画像全体の明るさの分布からエコー強度の性質を表現
ウェーブレット：画像を階層的に分解し、微細な構造や輪郭の変化を検出
- Explainability
-
腫瘍周囲の組織を含むBounding Boxから抽出された特徴量は、微細な組織環境の変化を反映しており、良悪性の判別精度を高める要因となりました。
本研究で最も高性能だったモデルは、Bounding Box領域から抽出した23個の特徴量（Radiomics + Autoencoderの混合）を用いたもので、**AUC 0.90、感度 81%、特異度 87%**を達成しました。
Radiologistによる手動セグメントや、nnU-Netによる自動セグメントを用いたモデルよりも高い診断精度を示しました。
さらに、熟練医師および研修医の判定結果との比較においても、統計学的に有意な差は認められず、実臨床への応用可能性の高さが示唆されています。
検査技師の視点での注目ポイント
- 本研究ではBモード超音波画像のみを使用しており、追加機器や特別な撮影条件は不要なため、日常業務に即した導入が可能です。
- 超音波特有のスピークルノイズを加えても判定結果は安定しており、患者の体型や探触子の圧力、体位の違いなどに左右されにくい点は、現場での実用性を高める要素となります。
- 境界が不明瞭な腫瘍も、周囲組織を含むBounding Boxによって学習されており、低エコー病変や高乳腺密度の症例にも適用しやすい設計です。
- nnU-Netによる自動病変検出と分類モデルによる良悪性判定を統合することで、自動アノテーションやスコアの可視化が可能となります。
- 若手検査技師や非専門医による読影のばらつきを補い、誤判定リスクの軽減や読影負担の軽減が期待されます。
- 高感度（81%）かつ高特異度（87%）により、偽陽性・偽陰性を減らし、不要な生検の回避や見逃し防止に寄与します。
- 現時点では単一断面の静止画像が対象であり、動画や3D画像への対応は未実装であるため、今後はシステム統合や画質の標準化が導入の鍵となります。
今後の課題とまとめ
本研究は、超音波画像を用いた乳腺腫瘍の鑑別において、画像特徴量解析（Radiomics）とAutoencoderを統合したAIモデルが高い分類精度を有することを示しました。
特に、Bounding Box（境界ボックス）を用いた特徴抽出が、従来の詳細なセグメンテーションと比べて、精度と実用性の両立に寄与した点は重要な成果です。
一方で、本モデルは単一の静止画像を対象としており、多断面画像や動画への対応、リアルタイム処理の最適化といった点は今後の課題として残ります。
こうしたAI技術が、実際の読影補助として現場に導入可能かどうかを見極める視点が求められます。
参考文献
Magnuska ZA et al. (2024) Combining Radiomics and Autoencoders to Distinguish Benign and Malignant Breast Tumors on US Images. Radiology 312(3): e232554.
DOI:10.1148/radiol.232554
