マルチモーダルデータ統合：人工知能ががん治療を革命へ導く

マルチモーダルデータ統合：AIががん治療の革命をリードする

私は最近、人工知能（AI）を用いたがん治療の多様なデータ統合についてのこの記事（リンク）を読みました。新しい潜在能力による正確な患者の予後予測や関連する生物マーカー/生物学的経路の発見の機会があるため、取り上げられたトピックは非常に興味深いと感じました。とてもクールです。それでは、深掘りしてみましょう。

多様なデータは、異なる種類の情報源（データ）を指します。がんは、放射線学（画像）、ゲノミクス（遺伝子、DNA）、組織学（組織サンプル）など、多数のモダリティで特徴付けることができます。現在のAIは主に単一のモダリティで操作されており、より広範な臨床的な文脈と機会を無視することで、その効果と潜在能力が低下しています。多様なデータ統合により、モデルはモダリティ内とモダリティ間で新しいパターンを発見し、新規のバイオマーカーや患者の予後または治療結果のより良い予測、および全体的な個別化されたケアの改善が可能です。

多様なデータフュージョンは、複数のデータソースの統合を指します。データフュージョンには、アーリーフュージョン、インターミディエイトフュージョン、レイトフュージョンの3つの主要なタイプがあります。本質的には、それぞれの用語は、多様なデータの融合が発生する深層学習フレームワークの段階を指します。

生存予測、つまり患者の生存期間を予測することは、しばしばCox比例ハザード（Cox-PH）モデルで行われます。この多変量線形回帰モデルは、予測のための入力データ/特徴を必要とします。しかしながら、現代においては医療情報が非常に豊富です！今では人工知能（教師あり、弱教師あり、教師なし学習手法）を使用してデータから特徴を抽出し、それらをCox-PHモデルの入力データとして使用しています。AIにおける多様なデータ統合は、生存予測の結果を改善することが証明されています。

• 「Python タイムスタンプ：初心者のための変換とフォーマットの基本」
• 「暖かい抱擁の向こう側：ハグの奥深くに迫る」
• 「ChatGPT を PDF の OCR として利用する：データ分析のための新しい ETL ツール」

モデルの解釈性/内省は、AIの開発、展開、および検証において重要です。AIモデルは抽象的な特徴表現を学習する能力を持っていますが、モデルが臨床的に関連する側面ではなく、効果的でない側道を利用している可能性があるため、懸念があります。さらに知るために、科学者たちはモデルがどのように考えているのか、なぜ特定の予測をするのかを見るための方法を考案しました。

内省手法はデータのタイプによって異なります。組織学画像ではヒートマップがよく使用されます。放射線学では注目スコアがよく使用されます。分子データでは、統合勾配手法（特定の入力の変化が出力にどのように影響するかを示す貢献値を計算する手法）がよく使用されます。より包括的なアプローチを取る場合、バイモーダリティにおける寄与を判断するために属性プロットを実装することができます。内省手法は通常、各予測クラスごとに入力（例：ピクセル）の重要性を決定することができるクラス活性化手法（CAM）です。

多様なモードのデータの相互接続の利点。 悪性変化はしばしば異なるスケールで見られます。たとえば、遺伝子の突然変異は細胞の振る舞いに影響を与え、それが組織の形態や組織学画像で見られる腫瘍微環境を再形成することがあります。

• 形態学的な関連は、低～中所得の環境でのスクリーニングをサポートするコスト効率の良いバイオマーカー代替物として役立つことがあります。
• 関連性によって新しい治療標的が明らかになることがあります。
• 非侵襲的（例：放射線学的）および侵襲的（例：組織学的）モダリティ間の関連性を特定することにより、非侵襲的な手法からの結果予測が可能になります。
• より詳細な手法よりも前に取得されるデータ（例：電子医療記録）間の関連付けにより、潜在的な予測リスク要因のより迅速かつ容易な特定が可能になります。

多様なモードのデータの相互接続性；実現可能性はモデルが入力から出力までどのように機能するかを示し、探索はモデルの解釈と内省を示す。画像のクレジット：Lipkova et al.、腫瘍学における多様なモードのデータ統合の著者。

結論。 今後、がん治療のための多様なデータ統合を備えた人工知能の開発には、データの公平性やバイアスの影響、限られた解釈可能性など、多くの障壁が存在します。一方で、人工知能は腫瘍学を大幅に変革し、改善する可能性を秘めています。多くの人工知能のアプローチには、患者の予後、生存率、再発などの予測、効率的な診断、最適な治療能力、新しいバイオマーカーや生物学的経路の発見と探索など、大きな影響を与える可能性があります。全体的に、この分野は非常に興奮しており、もっと情報を共有できることを待ちきれません。そして、私のような機械学習愛好家には素晴らしいニュースがあります！Harvard Medical SchoolのこちらのGitHubリポジトリなど、さまざまな多様なデータ統合モデルを使用することができます。

将来的には、AIが医療プロセス全体を自律的に管理できるようになるかもしれません…

以下に興味があるかもしれない他のリソースもリストアップしています。

• AIにおける多様なデータ統合の元論文
• Mahmood LabのGitHubリポジトリ
• データ融合の論文

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!