世界保健機関(WHO) 推定 妊娠に関連する合併症により、世界中で毎年250,000人以上の予防可能な死亡が発生していることです。出生前超音波検査は〜できる一方で 改善する 成果と 削減する 胎児および母体の死亡率、 3分の2 世界中の人々が超音波検査などの診断用医療画像技術へのアクセスを欠いている。母子健康を支える現在の方法は専門的な臨床研修に大きく依存しており、資源の限られた地域に住む数百万人が妊娠期間全体を通じて一度も超音波検査を受けられないままでいる。
私たちは、この現実世界のニーズに対応する研究を行う機会を見出しました。それは「ブラインドスイープ「超音波検査。このスキャン方法により、専門的な超音波検査の訓練を受けていない最前線の医療従事者でも、低コストの携帯型超音波プローブを腹部に一定のパターンで滑らせるだけで、スキャンを行うことができます。」
データ収集プロトコルにおける出現順に並べたブラインドスイープシーケンスのプロトコル図。
多くの地域で専門家が慢性的に不足しており、従来の超音波検査技師の養成は高額であるうえ数年にわたる研鑽を必要とするため、これらの医療従事者が最小限の訓練で評価を実施できるようにすることは、出生前スクリーニングのカバレッジを大幅に拡大する可能性を秘めています。
訓練要件の最小限さとAIによる解釈を組み合わせることで、最終的に、超音波による妊娠評価の利用可能性を高め、ひいてはより質の高い母体医療へのアクセスを改善する可能性を秘めた、成功裏に開発されたツールが実現するかもしれません。
「盲走査超音波検査を用いたAIベースの妊娠週数推定の汎用化」に掲載された JAMA Network Open、我々は妊娠週数評価(妊娠がどの程度進んでいるか)のためのAIモデルが、多様な臨床環境およびハードウェア全体でどれだけ効果的に汎化するかを評価しました。私たちの 従来の研究 同一の回帰的コホート(モデルが学習に用いたコホート)に含まれる未経験の患者に対してモデルの性能を検証した過去の研究とは異なり、今回の前向き研究は、初心者のオペレーターと馴染みのない超音波装置のみを用い、最小限のファインチューニングで、AIシステムが実際のクリニックでモバイルデバイス上でリアルタイムに稼働しながら確実に性能を発揮することを示しています。
“在胎週数とは、基本的に妊娠がどの程度進んでいるかを示すものです。スクリーニングのすべて、治療の多く、分娩の適応の多くは、いずれも在胎週数から得られるこの基本となるタイムラインに基づいています。.”
多様な臨床現場におけるパフォーマンスの評価
医療AIシステムが世界的に安全にスケールするためには、汎化性を示す必要があります。すなわち、モデルの学習時に使用されたものとは異なる患者層、診療ワークフロー、および超音波ハードウェアのばらつきを持つ新たな臨床現場に導入された場合でも、正確な診断性能を維持することです。
本研究では、独自のAIモデルを対象集団のうち1つのみに対して最小限のチューニングを行い、その後、両方の対象環境において前向きに検証しました:
- ノースウェスタン・メディシン: アメリカ合衆国イリノイ州シカゴにある都市型の高リソース学術医療センター。
- Jacaranda Health: ケニアのナイロビにある都市部のコミュニティクリニックネットワーク。
もともとはノースカロライナとザンビアでSonosite、GE、Butterfly Networksの3種類の市販超音波プローブを用いて収集された超音波データで学習されたこの研究用AIシステムは、市販の handheld 経腹プローブであるClarius C3と組み合わせられた。これらの施設はいずれも、妊婦が初めて産前ケアに来院する時期、定期超音波検査の回数、在胎週数の算定方法など、ケアの various な側面が異なっていた。
効率的なシステムチューニングを評価するために、本研究ではシカゴの120名の参加者による小規模パイロットデータセット——元の学習セットの約6%——を活用し、新しいプローブハードウェアにモデルを適応させ、在胎週数予測範囲を36週を超えて拡張した。汎用性を検証するため、ナイロビ施設のデータはファインチューニングに一切使用されず、ケニアでの臨床検証は厳密に独立した外部テストとして維持された。包括的な有用性を評価するため、本研究では多胎妊娠も対象に含めた。多胎妊娠は、人間のオペレーターと自動システムの双方にとって、追跡や計測の課題となり得る。
われわれの盲検スキャンモデルは、1,968名の参加者(米国ノースカロライナおよびザンビア)のデータで学習され、イリノイ州シカゴの120名の参加者によるスキャンでファインチューニングされた。その後、シカゴ(n=192)とナイロビ(n=193)で前向きにテストされ、ナイロビのデータによるファインチューニングは行われなかった。このモデルは、両方の環境において在胎週数の判定において専門の超音波検査技師に劣らない成績を示し、合同平均絶対誤差は4.18日対4.48日であった。
主な知見:専門家の水準に匹敵する成績
我々は、ブラインドスイープ超音波画像から胎児の週数を推定するAIシステムの能力を、臨床の標準である専門的アプローチに基づく計算式による推定と比較しました。この専門的アプローチは、専門の超音波検査者が胎児の複数の特定の断面像を見つけて精密なバイオメトリ測定を行うことに依存しています。これは長年の訓練を必要とし、検査者への依存度が非常に高い、スケール化が難しい作業です。
妊娠16週から36週の参加者385名を含む主要コホートを評価したこの診断研究は、AIシステムの優れた結果を示しました:
- 臨床的に非劣性の精度: 両コホート全体で、AIモデルは妊娠週数の推定において平均絶対誤差(MAE)4.18日を達成し、専門の超音波検査者が行う標準的な臨床手順(MAE 4.48日)に対する非劣性を示すことに成功しました。
- 複数の環境間での汎化: シカゴでは、適応させたモデルはMAE 4.10日を達成しました。ナイロビでは、現地での最適化を一切行わない状態で、モデルは同等のMAE 4.27日を達成しました。
AIシステムの妊娠週数の誤差(MAE 4.18日)は、専門の超音波検査者によるバイオメトリ(4.48日)に対して非劣性であり、現地でのファインチューニングを行っていなかったナイロビ(4.27日)でも、シカゴ(4.10日)と一貫した結果を維持しました。
精度に加えて、探索的な指標は、研究用AIシステムが複雑なシナリオにおいても頑健であることを示しました。例えば、胎児体重が極端な場合(90パーセンタイル以上)では、モデルは従来のバイオメトリ計算式を上回る成績を収め、胎児サイズの変動に対する頑健性を示しました。
前向き展開から得られた教訓
AIによる超音波検査アクセス拡大の巨大な機会を浮き彫りにしただけでなく、この前向き多施設研究により、AIが実際の臨床環境でどのように振る舞うかを能動的に観察し、最適化することができました。システムを日常の臨床ワークフローに直接展開することで、実世界での使用に向けた設計に役立つ実践的な知見を得ました。例えば、連続する患者の間でデバイスを充電し続けるためには、プラグイン式のドッキングステーションよりも着脱式バッテリーが重要であることを観察しました。
これらの研究は、このようなAIシステムの展開には、臨床医と患者の双方との深い信頼関係の構築も必要であることを示しました。これを最終的に達成する重要な方法の1つは、アプリに明確なセーフガードを組み込むことです。例えば、質の低いスイープを拒否し、モデルの不確実性を臨床医のユーザーに伝えるために、我々のモデルが生成するモデル信頼度推定値などが挙げられます。
今後の展望:AIによる医療アクセスの拡大
これらの研究結果は、AIベースのシステムが、専門的な超音波検査の訓練を受けていないオペレーターが取得した標準化された「ブラインドスイープ」画像を分析できることを示しています。胎児週数のAI推定は、専門オペレーターおよびより高価な従来型のカート型超音波装置による現在の標準治療と同等の精度を持ちました。多様な臨床環境、ハードウェア、および変化する集団にわたる技術的な汎用性を実証したことは、マタニティヘルスにおけるこの重要な能力へのアクセスを拡大する潜在力を浮き彫りにする重要な一歩です。
最小限の訓練を受けたコミュニティヘルスワーカーが信頼性の高い超音波検査の評価を行えるようにすることで、この研究は、医療資源が乏しい地域に住む数百万人の出生前ケアの適用範囲を拡大する可能性を実証しています。このスケール可能な技術の能力を研究することは、より強靭でアクセスしやすい医療システムへの基盤を築き、すべての母親が場所にかかわらず、健康な妊娠と安全な出産の機会を得られるようにすることを保証します。
このポイントオブケア研究は、AIを通じて医療アクセシビリティを拡大するという我々のより広範なビジョンの潜在的な応用例です。この研究から得られた知見は、次世代のマルチモーダル医療インテリジェンス研究の開発に反映されます。継続的な取り組みを通じて、我々は開発コミュニティと科学者に対し、臨床ケアを改善し、それをすべての人にとって有益でアクセスしやすいものにするために必要な答えを提供することに努めます。
謝辞
Google Research、Jacaranda Health、ノースウェスタン大学ファインバーグ医学部に所属する共著者であるChace Lee、Justin Krogue、Anneka Wickramanayake、Stacey Caron、Priscah Cheruiyot、Amber Watters、Alicía Martín、Tiya Tiyasirichokchai、Akib Uddin、Yun Liu、Patricia Strachan、Sunny Jansen、Alyssa Santi、Preeti Singh、Catherine Arguelles、Kenneth Hudson、David Melnick、Mahesh Vaidyanathan、Mozziyar Etemadi、Yossi Matias、Avinatan Hassidim、Greg Corrado、Shruthi Prabhakara、Daniel Golden、Ryan G. Gomes、Shravya Shettyに感謝します。この研究をレビューしてくれたPi-Chuan ChangとDale Websterにも感謝します.