【ITニュース解説】Radiomics in Breast Cancer – Part 1: Exploring the CBIS-DDSM Dataset

乳がんの診断支援技術として注目される「ラジオミクス」という研究分野の第一歩について解説する。この研究シリーズでは、乳がんの画像データから診断に役立つ情報を抽出し分析する方法を探求するが、今回はその土台となるデータセット「CBIS-DDSM」の徹底的な調査に焦点を当てる。

CBIS-DDSMは、乳がん画像研究で広く使われる標準的なデータセットである。これは1990年代に開発されたDDSM（デジタル・スクリーニング・マンモグラフィー・データベース）を、癌画像アーカイブ（TCIA）が現代の機械学習に適応できるように選定・標準化したものだ。このデータセットには、1,566人の患者から得られた2,620枚のマンモグラフィー画像が含まれている。これらの画像には「しこり」（masses）と「石灰化」（calcifications）という病変の種類が注釈付けされ、さらに画像は「CC」（頭尾方向）と「MLO」（内外斜位方向）という乳房の2つの標準的な方向で撮影されている。病変には「悪性」「良性」「経過観察が必要な良性」といった病理学的ラベルが付与されており、これらは最終的に「良性」と「悪性」の二つに集約されて分析される。

研究を進める上で、使用するデータセットの特性を深く理解することは非常に重要である。今回のデータ探索では、患者の年齢、病変の種類、病理、画像ビューといった「メタデータ」、画像の解像度やコントラストなどの「画像特性」、そして「クラス分布」、つまり良性と悪性の症例数や病変の種類のバランスを体系的に評価した。この事前の調査は、後のデータ処理や分析のパイプラインを堅牢に設計するために不可欠なステップだった。

この徹底的な探索から、いくつかの重要な知見とそれに伴う課題が明らかになった。まず、病変の種類とその分布について、データセットには「しこり」と「石灰化」の二種類があるが、「石灰化」が注釈付けされた病変の大部分を占めていた。しこりは比較的大きく局所的な異常であり、石灰化は小さなカルシウムの沈着で悪性を示す場合がある。これら異なる病変タイプは、それぞれに合わせたデータの前処理や特徴抽出の方法が必要になる。

次に、病理学的ラベル、つまり「良性」と「悪性」の分布を見ると、悪性病変が良性病変に比べて著しく少ないという「クラス不均衡」があることが判明した。良性病変（「良性」と「経過観察が必要な良性」を合わせたもの）が多数を占めるため、この不均衡は機械学習モデルが良性病変を過剰に予測する傾向に陥りやすくする。そのため、モデルの性能評価には、単なる「正解率（accuracy）」ではなく、悪性病変の検出能力をより正確に示す「ROC-AUC」や「感度」といった指標を用いることが不可欠となる。また、この不均衡を是正するために、リサンプリング（データの数を調整する）やクラス重み付け（少ないクラスに重みをつける）といった技術が必要となる場合もある。

実際のマンモグラフィー画像をいくつか確認することで、画像の品質、病変の大きさ、注釈の正確さにおけるばらつきを理解することもできた。これは、データセットの現実的な側面を把握する上で役立つ。

さらに、マンモグラフィーのビュー（CCとMLO）や乳房の左右といった主要なメタデータ変数にわたる病理学的分布も調査した。悪性症例はCCとMLOの両ビューで均等に表現されておらず、モデルが病変固有の特性ではなく、撮影方法に依存する特徴を学習して過学習を引き起こす可能性があることが分かった。また、特定のサブグループ、例えばCCビューにおける悪性の石灰化のような希少な病変はデータセット内で過度に少なく、モデルがこれら希少な病変の検出で劣る可能性を示唆している。このような問題に対処するためには、「データ拡張」（既存のデータから新しいデータを作成する技術）や、少数派サブグループ向けの特別な評価戦略が必要になることがある。左右の乳房における分布は比較的バランスが取れていたが、悪性クラスの過少表現というクラス不均衡の問題は依然として存在していた。

これらの知見から、データセットの「クラス不均衡」と「病変タイプのバリエーション」が主要な課題として浮上する。機械学習のパイプラインやラジオミクス特徴抽出プロトコルを設計する際には、これらの課題を考慮に入れ、適切な対策を講じる必要がある。

CBIS-DDSMの探索は単なる初期段階に留まらず、ラジオミクスと機械学習のワークフロー全体にとっての強固な基盤を築くものだ。この段階で得られた各知見は、その後の意思決定、特に特徴抽出、モデル訓練、そして評価に直接的な影響を与える。クラス不均衡への意識は、モデルが多数派のクラスに偏るのを防ぎ、結果として臨床的に意味のある予測性能を保証するために不可欠である。また、病変タイプごとの違いを考慮に入れることは、適切な特徴選択とモデルの解釈性につながり、抽出されたラジオミクス特徴が臨床的に意味のある現象に対応することを確実にする。データセットの特性を深く理解することで、その後の前処理パイプラインの調整、情報に基づいた特徴選択、そして適切なモデル評価戦略が可能となる。この徹底した探索がなければ、ラジオミクス特徴は偏り、誤解を招き、ノイズの多いものとなり、結果として機械学習の性能が最適でなくなり、臨床的な解釈性も低下する恐れがある。このデータ探索段階は、生の臨床データと、定量的に分析可能な特徴との間の橋渡しを果たす。これにより、科学的な厳密さと臨床的な応用可能性の両方が向上する、信頼性の高いデータセットに基づいた研究が可能となる。

CBIS-DDSMの探索は、ラジオミクスと機械学習の研究において、データセットの系統的な特性評価が極めて重要であることを強調する。データセットの豊富さと限界、特にクラス不均衡や病変のばらつき、画像の異質性といった課題が、その後の分析に大きな影響を与える。これらの要因を無視すると、予測性能と臨床的関連性の両方が損なわれる可能性がある。データセットの特性と探索手順を注意深く文書化することは、他の研究者がパイプラインを再現し、結果を検証するための基盤を提供し、オープンサイエンスの原則にも合致する。この最初の記事は、続くすべての研究の基盤となるデータの包括的な理解を確立した。次回は、ラジオミクス分析のためのマンモグラフィー画像の前処理について詳しく解説する予定である。