7月25日、中国・複数施設の研究グループが「An interpretable artificial intelligence model for real-time leukemia screening via routine blood tests across multicenter cohorts」と題した論文をNature npj Digital Medicineに公開した。日常的な血液検査データだけで白血病をリアルタイムにスクリーニングするAIフレームワーク「LeukoAlert」の開発と多施設検証を報告している。最大の驚きは、追加の検査や侵襲的処置を一切必要とせず、すでに世界中で毎日実施されている全血球計算（CBC）のデータのみでAUC 0.996を達成したという点だ。

血液検査72項目から白血病を検出するAI

骨髄生検や精密画像診断は侵襲的かつコストが高く、無症候の患者を対象とした大規模スクリーニングに組み込む障壁は大きい。一方、全血球計算（CBC: Complete Blood Count）は入院・外来を問わずほぼすべての患者で実施される、いわゆる「血液一般検査」に相当する標準検査だ。現状の白血病スクリーニングは症状や偶発的な異常値を契機とした個別対応にとどまっており、系統的な早期発見の仕組みは整備されていない。

LeukoAlertはCBCから得られる血球の種類・数・サイズ分布など72の特徴量をAIに学習させることで、白血病と非白血病を高精度に識別するモデルを構築した。患者が血液検査を受けるたびに自動でスクリーニングが走る「組み込み型AIアプローチ（embedded AI approach）」として設計されており、既存の検査室ワークフローへの統合を念頭に置いている。

44万件超のデータで訓練・検証

モデルの規模感を示す数字として、7施設・203,284人から得られた446,558件のレコードを用いた訓練・検証が挙げられる。医療AIにおいて単一施設のデータで構築されたモデルは外部施設での汎化性能が低下しやすいという課題が知られているが、本研究では複数施設の多様な患者集団を用いることでその問題に正面から対応している。

白血病と非白血病の二値識別におけるAUC（Area Under the ROC Curve）は最大0.996を達成した。AUCは0.5がランダム判定、1.0が完全識別を意味する指標であり、0.996という値は実用水準として極めて高い。

一方、急性・慢性サブタイプの分類については論文内で「moderate performance（中程度の性能）」と率直に評価されており、全疾患を一括で分類することの難しさが残ることも明示されている。スクリーニング段階での「要精査フラグ付け」に機能を絞っている点は、臨床的な役割の明確化として誠実な設計方針といえる。

前向き実臨床評価：58,481件での検証

訓練・バリデーションに加えて、前向き（Prospective）評価が58,481件の未選別レコードで実施された点が重要だ。後ろ向き研究では選択バイアスが入り込みやすいが、前向き評価では実際の診療フローで発生したデータをそのまま使うため、実臨床での挙動をより忠実に反映する。

この評価でのAUCは0.969を維持しており、実臨床環境での頑健性が確認された。特筆すべきは、血液内科以外の診療科における隠れた白血病（occult leukemia）と早期再発の検出に成功している点だ。日常の外来や一般病棟での血液検査からも、白血病のシグナルを拾い上げられることを示しており、専門科への受診前の段階でリスクを捉えられる可能性を示唆している。

解釈可能性：9つの特徴量に絞り込み

医療AIにおける「ブラックボックス問題」は実臨床への実装を阻む大きな障壁となる。医師がモデルの判断根拠を追えなければ、誤検出時の対応ができず、臨床現場での信頼獲得も困難だ。XAI（説明可能なAI）への要請は近年とくに医療分野で高まっており、規制当局への承認申請においても解釈可能性の担保が重要視される傾向にある。

LeukoAlertでは、白血病の病態生理学的根拠に基づく9つの解釈可能な特徴量を特定している。72の入力特徴量から臨床的に意味のある9変数に絞り込んだことは、モデルの説明容易性を高めるだけでなく、より軽量な実装を可能にする観点からも実用的な意義がある。論文がタイトルに「interpretable」を明示しているのも、この点が実装のボトルネックになることを強く意識してのことだ。

実装の位置づけ：あくまで補助ツール

論文は本モデルを「adjunctive tool（補助的ツール）」と位置づけている。診断を確定するものではなく、リスクフラグを立てて医師の注意を促す役割に徹している。

CBCはすでに既存の検査室ワークフローに組み込まれているため、LeukoAlertを「embedded AI approach」として既存の検査システムに統合できる可能性を示している。ただし論文内では「compatible laboratory workflows（対応する検査室ワークフロー）」という条件付きで述べており、あらゆる施設で即座に使えるとは主張していない。標準化された検査機器・データ形式との互換性確保が実装上の現実的な課題となるだろう。

エンジニア視点での整理

モデルアーキテクチャの詳細や実装コードの公開については、論文本文の確認が必要だ。また、多施設展開を見据えたフェデレーテッドラーニング（Federated Learning）の活用有無や、各施設の検査機器の差異を吸収するための前処理設計なども、医療AI実装を検討するエンジニアにとって追いかける価値のある論点だ。類似のアプローチとして、血液検査データを用いたがんスクリーニングAIの先行研究はGrail社のGalleriテストなどが知られているが、LeukoAlertはCBCという最も普及した検査に特化している点で差別化されている。※編集部の考察

詳細はAn interpretable artificial intelligence model for real-time leukemia screening via routine blood tests across multicenter cohortsを参照していただきたい。