AIモデル、OCTスキャンからの地理的萎縮症における網膜機能予測を実現
OCTからの網膜機能予測AIモデル：技術的概要とメカニズム
地理的萎縮症（GA）の評価において、光干渉断層計（OCT）スキャンから直接網膜機能を予測する人工知能（AI）モデルが新たなツールとして注目されています。このAIモデルは、臨床的意思決定および臨床試験デザインの両方に大きな影響を与える可能性があります。ジョン・A・モラン眼科センターのシュテフェン・シュミッツ＝ヴァルケンバーグ医師が、2026年2月7日に開催されたバスコム・パーマー眼科研究所の第23回血管新生、滲出、変性に関する年次会議で、このAIモデルに関するデータを発表しました。
このモデルの核となるメカニズムは、GA患者から得られた詳細な構造データと機能データを活用したアルゴリズムの訓練にあります。具体的には、OCT画像から得られる様々なイメージング特徴と、マイクロペリメトリー検査から得られる網膜感度値を関連付けるようにモデルが学習します。訓練が完了すると、モデルはGA患者の迅速なOCTスキャンデータに対して適用され、en face OCTスキャンの各位置における網膜感度を推定することができます。 このAIモデルによる予測精度は、実際のマイクロペリメトリー検査の再検査変動性の範囲内にあるとされています。 現在のところ、視力、暗順応、その他の機能検査は含まれていませんが、今後の研究での導入が検討されています。
臨床応用と検証：GA管理における新たな展望
AIによる網膜機能予測は、GAの診断と管理において既存の機能検査を補完、あるいは将来的には代替する可能性を秘めています。特に、臨床試験や日常的な診療において、従来の煩雑な機能検査を必要とせずに、機能的欠損の正確かつ迅速な評価を可能にするという点で大きな利点があります。これにより、経時的な変化を含む機能的欠損の評価が容易になります。
このAIモデルの堅牢性は、複数の大規模な臨床試験を通じて検証されています。まず、GAに関する多施設共同第III相試験であるOAKS試験の健常眼データを用いてモデルが訓練されました。その後、OAKS試験の対象眼でテストされ、さらにDERBY、GALE、FILLYという3つの大規模な多施設共同試験にも適用されました。最終的には、詳細なマイクロペリメトリー検査を含む独立したデータセットであるDirectional Spread in Geographic Atrophy studyでもモデルの性能がテストされ、その有効性が確認されています。 OCTベースのモデルは、GAにおける機能喪失の迅速かつ非侵襲的な評価を可能にするため、眼科専門医にとって貴重なツールとなり得ます。
AI駆動型診断の進化と将来の方向性
地理的萎縮症の分野では、本モデル以外にも様々なAI技術が研究・開発されています。例えば、カラー眼底写真（CFP）、眼底自発蛍光（FAF）、OCTといった様々な画像モダリティを用いたGA病変のセグメンテーション、検出、分類、および進行予測のためのAIモデルが存在します。 特に、深層学習を用いた画像セグメンテーションとベイジアン数学モデルを統合し、病変の将来的な成長を予測するアプローチも開発されており、GA病変の成長が線形ではなく、加速、線形拡大、減速を経て漸近線に達する多相的な経過をたどることが示唆されています。
本AIモデルのさらなる進化として、OCTスキャン上のGAバイオマーカーである過透過性（Hypertransmission）のような詳細な特徴の検出、識別、定量化、追跡を可能にする機能が挙げられます。 AIによる診断は、診断精度の向上と処理速度の高速化という利点をもたらし、将来的にはGA治療における個別化された治療の恩恵を広範囲に提供することを目指しています。
開発者・エンジニア視点での考察
-
AIモデルの推論過程の「説明可能性」を向上させるためのSHAP (SHapley Additive exPlanations) やLIME (Local Interpretable Model-agnostic Explanations) などのXAI (Explainable AI) 技術の統合により、医師がモデルの予測をより信頼し、臨床的判断を下す上での根拠を明確にできる。特に、GAにおける網膜感度低下の局所的な原因を特定する上で重要であり、診断の透明性を高めることで臨床導入の障壁を低減する。
-
既存の医療画像診断システムとのAPI連携を前提とした設計により、OCTデバイスから直接AIモデルへのデータフィードを可能にし、リアルタイムまたはニアリアルタイムでの網膜機能評価を実現する。これにより、臨床ワークフローへのシームレスな統合と、迅速な診断サイクルが確立され、医師の負担軽減と患者ケアの即時性向上に貢献する。
-
このモデルを基盤として、複数のモダリティ（例：眼底自発蛍光 (FAF) やカラー眼底写真 (CFP)）からのデータを統合するマルチモーダル学習アプローチを導入することで、網膜構造と機能のより包括的な理解を深め、予測精度と汎用性を向上させることができる。異なるモダリティの相補的な情報を用いることで、単一モダリティでは捉えきれない病態の全体像を把握し、よりロバストな診断支援システムを構築する可能性を秘めている。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
