グラフニューラルネットワークと知識グラフを用いたパピラリ甲状腺がんの解釈可能なAI支援診断
Li-Xue Wu1,2, Yong Jiang1, Tian-You Luo1
1Department of Pathology, West China Hospital, Sichuan University, Chengdu, 610041, Sichuan, China.
Scientific reports
|September 1, 2025
まとめ
この研究では,パピラリー甲状腺がん (PTC) の診断のためのグラフニューラルネットワークと知識グラフを組み合わせたAIツールが導入されています. 解釈可能なシステムは高い精度を達成し,病理学におけるAIの透明性を高めます.
科学分野:
- コンピューター病理学
- 医療における人工知能
- バイオ情報学
背景:
- 乳毛性甲状腺がん (PTC) の正確な診断は,患者のアウトカムにとって極めて重要です.
- 現在のAI診断ツールには 解釈能力が欠けていて 臨床採用を妨げています
- 多様なデータソースを統合することで 診断の正確性と説明性が向上します
研究 の 目的:
- パピラー甲状腺がん (PTC) 細胞病理学の解釈可能なAI支援診断アプローチを開発する.
- グラフニューラルネットワーク (GNN) と知識グラフ (KG) を組み合わせ,診断性能を向上させる.
- 説明可能なPTC診断のための臨床的意思決定支援システム (CDSS) を作成する.
主な方法:
- 281人のPTC症例の通常の細胞検査を分析した.
- カスケードRCNNモデルは,病理的な細胞特徴 (グラウンドグラス核,核溝,核内含) を検出した.
- グラフニューラルネットワーク (GNN) と知識グラフ (KG) が統合され,CDSSと組み合わせたGINetモデルが形成されました.
主要な成果:
- カスケード RCNN モデルは,結合上の平均交差点 (mIoU) を 56.14%,平均精度 (mAP) を 0.87 に達成した.
- GINetモデルは,分類精度が88.84%に達したことを示した.
- CDSSは,KGをクエリすることで説明可能な診断出力を提供しました.
結論:
- 開発されたAIアプローチは,PTC診断の解釈可能で信頼性の高いツールを提供します.
- GNNとKGを組み合わせることで,細胞病理学におけるAIの透明性と性能が向上します.
- この方法は,甲状腺がんの AI 支援病理学システムにおける重要な進歩を表しています.
