MIT研究者がMultiverSegという新しい人工知能ベースの医療画像セグメンテーションシステムを開発した。このシステムは研究者が画像をクリック、落書き、ボックス描画することで生物医学画像データセットを迅速にセグメント化できる。ユーザーが追加の画像にマークを付けるに従って、必要なインタラクション数は減少し、最終的にゼロまで低下する。
開発チームは電気工学・コンピュータサイエンス大学院生のHallee Wong、Jose Javier Gonzalez Ortiz博士、コンピュータサイエンス・電気工学のDugald C. Jackson教授John Guttag、ハーバード医学大学院・MGH助教授でMITコンピュータサイエンス人工知能研究所研究科学者のAdrian Dalcaで構成される。
MultiverSegは9番目の新しい画像までに、ユーザーからのクリック2回でタスク専用モデルより正確なセグメンテーションを生成する。研究者の以前システムと比較して、落書きの約3分の2の数とクリックの4分の3の数で90パーセントの精度に達した。この研究は国際コンピュータビジョン会議で発表される予定である。
研究はQuanta Computer社と国立衛生研究所が一部支援し、マサチューセッツ生命科学センターがハードウェア支援を提供している。
From: 
New AI system could accelerate clinical research | MIT News
【編集部解説】
今回のMITの研究発表は、医療分野におけるAI活用の新たな転換点を示すものです。従来の医療画像解析では、研究者が一枚一枚の画像に対して手作業で関心領域を特定する必要があり、大規模な研究を阻む大きなボトルネックとなっていました。
MultiverSegの最も革新的な点は、学習の継続性にあります。一般的なAIシステムが各タスクで一から学習し直すのに対し、このシステムは過去にセグメント化した画像の情報を蓄積し、新しい画像の解析精度を段階的に向上させます。これにより、最初は手動操作が必要でも、データが蓄積されるにつれて完全自動化を実現できるのです。
この技術が与える影響は医療研究全体に波及します。例えば、アルツハイマー病の進行を追跡する研究では、数千枚の脳画像から海馬の変化を測定する必要がありますが、従来なら数ヶ月を要する作業が数日で完了する可能性があります。
特筆すべきは、機械学習の専門知識を持たない医師や研究者でも利用できる設計になっている点です。これまで技術的ハードルによって実現できなかった研究プロジェクトが、多くの医療機関で実施可能になるでしょう。
一方で、AIによる自動解析の精度や信頼性については慎重な検証が必要です。医療診断に直結する可能性がある以上、誤った解析結果が患者の治療に悪影響を与えるリスクも考慮しなければなりません。
長期的な視点では、この技術は個別化医療の実現を加速させる重要な基盤技術となる可能性を秘めています。患者一人ひとりの画像データを効率的に解析できれば、より精密で迅速な診断と治療法の選択が可能になるからです。
【用語解説】
セグメンテーション
医療画像において、特定の臓器や病変部位などの関心領域を画像から切り出し、境界を明確に区別する処理技術である。手動で行う場合は専門知識と多大な時間を要する。
インタラクティブセグメンテーション
ユーザーがクリックや線描などの簡単な操作で画像に指示を与え、AIがその指示に基づいて自動的に領域を特定する手法である。従来の完全手動作業と完全自動処理の中間に位置する。
コンテキストセット
MultiverSegが過去に処理した画像の情報を蓄積し、新しい画像の解析時に参照するデータ群である。この仕組みにより学習効果が累積される。
ScribblePrompt
MIT研究チームが以前開発したインタラクティブセグメンテーションツールである。ユーザーが画像に落書きのような線を描くことで領域を指定できるが、各画像で操作を繰り返す必要があった。
【参考リンク】
MIT Computer Science and Artificial Intelligence Laboratory（外部）
MITの人工知能とコンピュータサイエンス研究の中心機関。機械学習、ロボティクス、コンピュータビジョンなど幅広い分野で最先端研究を行っている。
Harvard Medical School（外部）
1782年設立の米国最古の医学校の一つ。世界トップクラスの医学研究機関として、基礎医学から臨床応用まで幅広い研究を展開している。
Massachusetts General Hospital（外部）
ハーバード医学大学院の主要な教育病院。1811年設立で、医療技術の革新と高度な医療サービスの提供で知られる総合病院である。
【参考記事】
MultiverSeg: Scalable Interactive Segmentation of Biomedical Imaging Datasets with In-Context Guidance（外部）
「MultiverSeg」に関する元の学術論文です。モデルのアーキテクチャ、コンテキストセットを活用した学習メカニズム、評価実験の詳細など、技術的な背景が最も深く解説されています。従来手法との比較や、インタラクション回数が劇的に減少する具体的なデータも示されています。
Scalable Interactive Segmentation of Biomedical Imaging Datasets with In-Context Guidance（外部）
「MultiverSeg」の学術論文をレビューし、その核心的な方法論と結果を要約した解説記事です。モデルの構造、反復的なセグメンテーションのプロセス、コンテキストセットの活用方法などを整理しており、技術的な側面を理解する助けとなります。
【編集部後記】
この技術が実用化されると、医療現場での診断スピードが劇的に変わる可能性があります。皆さんが病院で受けるCTやMRI検査の結果も、より迅速で正確な解析が期待できるかもしれません。
一方で、AIによる自動解析が普及することで、医師の診断プロセスはどう変化していくのでしょうか。技術の進歩により効率化が図られる一方で、人間の専門性や判断力の重要性はむしろ高まるのではないでしょうか。
また、このような技術が日本の医療機関にも導入される際、どのような課題や機会が生まれるとお考えでしょうか。皆さんの身近な医療体験と照らし合わせながら、この技術革新がもたらす変化について一緒に考えてみませんか。医療AIの未来について、ぜひ皆さんのご意見もお聞かせください。
