CTスキャンを読み取りガンを含む約150種類の腹部疾患を特定できる医療用画像言語モデル「RADAR」をAlibaba傘下のDamo Academyがオープンソース化し公開

放射線診断ワークフローにおいて診断時に悪性腫瘍の見落としが発生すると重大な問題に繋がります。「RADAR」はCTスキャンの画像を元に約150種類の腹部疾患を特定できる医療用画像言語モデルであり、Alibaba傘下のDamo Academyがオープンソース化しGitHubで公開されています。

alibaba-damo-academy/damo-radar
https://github.com/alibaba-damo-academy/damo-radar

An expert-level generalist AI for abdominal CT diagnosis | Science
https://www.science.org/doi/10.1126/science.aec6129

腹部には多数の解剖学的構造が存在しており、臨床的に重要な所見であるにもかかわらず見落としがちな微細な異常としてしか現れないことがあるため、腹部CT検査には「非常に複雑な診断が必要とされる」という問題があります。しかし、既存のAIソリューションは特定の領域に特化しているか、高価な手動アノテーションを必要とする教師あり学習に依存しており、拡張性や適用性に限界がありました。

「RADAR」は40万件以上の造影腹部CT検査と1500万組の解剖学的情報を含む画像・テキストペアを用いてトレーニングされた医療用画像言語モデルです。臨床レポートから手動アノテーションなしで直接学習されており、従来のAI開発で問題にされがちであった「トレーニングの段階で人間の労力がかかる」という課題を克服しています。

RADARの評価は18の解剖学的構造と146の画像所見を用いて行われ、39,160件の検査からなる内部コホートにおける146の所見診断でROC曲線下面積(AUC) 0.913(95%信頼区間は0.911～0.915)を達成しました。さらに8つの外部センターにわたる評価でもAUC 0.874～0.912を示しており、高い汎化性能を示すことが確認されました。RADARを用いて4種類のがん(肝臓・膵臓・胃・大腸)の病理学的所見に基づいた検証を行った結果、AUC 0.891～0.984という極めて高い性能を示しました。また初期トレーニングから除外されていた急性腹部疾患に対してもAUC 0.904と高い性能を維持し、未知の緊急シナリオに対しても高い汎化性能を持つことが実証されました。

26名の放射線科医が参加した読影試験でRADARは多くの参加者を上回る性能を示し、また参加者と連携することで診断性能が約10%向上しました。さらに、RADARは診断に関連する視覚的な手がかりを強調する「アテンションマップ」を提供しました。アテンションマップの作成は臨床現場で非常に価値のある機能といえます。

RADARは、大規模な視覚言語学習が「複雑で多様な放射線画像解釈タスクに対応する汎用AIシステム」を効率的に開発するための実践的な手法を提供しうる可能性を示しています。