8月14日、Bioengineerが「AI model detects mutations and predicts biomarkers across 32 cancer types」と題した記事を公開した。32種類のがん・11,000件超の症例を横断し、通常の病理染色スライド1枚から遺伝子変異・バイオマーカー・予後を同時予測するAIモデルが登場した。追加の分子検査を必要とせず、スライド画像だけで7項目を一括推定できるという点が、計算病理学の研究コミュニティで注目を集めている。

なぜ今、これが重要なのか

がんの病理診断では、組織を染色してスキャンし、顕微鏡で細胞の形態を確認するのが基本だ。しかし、「TP53遺伝子に変異があるか」「遺伝子の発現量はどの程度か」「患者の予後はどうなるか」といった情報は、見た目だけでは判断できない。これらを調べるには別途、遺伝子解析やRNA-seqといった分子検査が必要であり、コスト・時間・設備の面で大きな障壁がある。ゲノム検査体制が整っていない地域や、組織量が限られていてすべての検査を同時に行えないケースでは、この障壁は特に深刻だ。

計算病理学の分野では、これまでもCONCHやUNIといった大規模病理基盤モデルが開発されてきた。これらは汎用的な病理画像表現の学習に優れるが、単一モデルで複数の臨床アウトカムを横断的・同時多出力で予測するという設計は、本研究が正面から取り組んだ課題だ。既存モデルが「良い特徴量を学ぶ」ことに注力してきたのに対し、本研究は「現場で使える多目的予測器を1つのフレームワークに統合する」という実装寄りの方向性を打ち出している。

1枚の染色スライドから、7つの予測を同時に出力する

今回、The American Journal of Pathologyに掲載された研究（DOI: 10.1016/j.ajpath.2026.05.008）では、Chaurasiaらのチームがこの課題に正面から取り組んだ。彼らが開発したのは、H&E染色スライド（ヘマトキシリン・エオシン染色：最も標準的な病理染色）の画像1枚から、以下の7項目を同時に予測するマルチ出力モデルである。

• がんの種類（腫瘍分類）
• TP53の変異ステータス（変異あり／なし）
• TP53のRNA発現量
• 全生存期間に関連する臨床アウトカム（複数）
• 無増悪生存期間に関連する臨床アウトカム（複数）

TP53は、損傷した細胞の増殖を抑制する腫瘍抑制タンパク質p53をコードする遺伝子だ。変異するとこの防御機構が失われ、異常細胞が生き残って増殖を続ける。広範ながん種にまたがって変異が見られ、治療抵抗性の研究においても重要な指標となっている。

アーキテクチャ：Vision Transformerと弱教師あり学習の組み合わせ

モデルの中核はVision Transformer（ViT）だ。画像をパッチ（小領域）に分割し、各パッチ間の関係をアテンション機構で学習するアーキテクチャで、自然言語処理のTransformerを画像解析に転用したものとして知られる。詳細は原著論文（An Image is Worth 16x16 Words）を参照されたい。

病理スライド（Whole Slide Image, WSI）は数十億ピクセルに達することもあり、全体を一度に処理するのは現実的でない。研究チームはパッチを抽出してスライドレベルの予測を行う設計を採用した。なお、元記事には「約40倍の元解像度に対して6倍ダウンサンプリング」と記載されており、実効倍率の計算は記事執筆時の読み取りに基づく（※元論文の原文記述を直接確認されたい）。

特筆すべきは弱教師あり学習（Weakly Supervised Learning）の採用だ。通常の教師あり病理AIでは、病理医が細胞や組織領域をピクセル単位でアノテーションする必要があり、コストと主観的誤差が大きい。今回のモデルでは、変異や臨床情報のラベルはスライド単位でのみ付与されており、「どの領域に変異関連の特徴があるか」は人手でマークしていない。モデルが自らパッチを比較し、既知のアウトカムと関連する組み合わせを学習する仕組みだ。アテンション機構の可視化によって、モデルがスライドのどの領域に着目して予測しているかを確認できる点も、臨床応用における解釈可能性の面で重要な特性となっている。

性能：AUROC 0.766、独立検証セット1,729枚で評価

11,000件超の原発腫瘍症例（The Cancer Genome Atlas Pan-Cancer Atlasより）で訓練し、独立した検証セット1,729枚で評価した結果、TP53変異の検出においてAUROC（受信者操作特性曲線下面積）0.766を達成した。

AUROCは0.5がランダム、1.0が完全分類を意味する。0.766は意味のある予測能力を示しているが、研究チームも認めている通り、これは既存の分子検査を置き換えられる水準ではない。また、TCGAは大規模で標準化されたデータセットである一方、実際の病院間では染色プロトコル・スキャナ機種・組織処理条件が異なる。異なる施設・患者集団・民族グループでの外部検証がなければ、そのまま臨床転用することはできない。

実用上の位置づけ：スクリーニングと優先順位付け

研究チームが想定する臨床応用は、自律診断ではなくスクリーニングと優先順位付けだ。ゲノム検査環境が整っていない病院において、「TP53変異を持つ可能性が高い症例」をフラグ立てし、限られた検査リソースをどの患者に優先するかを支援するユースケースが挙げられている。組織量が限られていてすべての検査ができないケースや、専門検査機関への検体送付に時間がかかる遠隔地・医療資源の少ない地域での活用も想定されている。

一方で、モデルの予測は「視覚パターンと変異の統計的な関連」であり、背後の生物学的メカニズムを説明するものではない。染色条件・画像品質・腫瘍純度・患者背景の違いが性能に影響する可能性があり、この点は実装に向けた大きな課題として残る。

まとめ：計算病理学の実装フェーズに向けた一歩

1枚のH&E染色スライドから、がん種の分類・遺伝子変異・RNA発現・予後をまとめて推定するアプローチは、精密腫瘍学へのアクセスを拡大する可能性を持つ。CONCHやUNIといった病理基盤モデルが汎用表現の獲得に注力してきた流れに対し、本研究は「多目的予測の統合」と「弱教師あり学習による大規模WSI活用」を組み合わせた実装寄りの設計で差別化を図っている点が興味深い。分子検査を「置き換える」のではなく「補完・優先順位付けする」ツールとして位置付けを明示している点も、現実的な臨床展開を意識した姿勢として評価できる。外部検証と多施設展開が次の焦点となる。

詳細はAI model detects mutations and predicts biomarkers across 32 cancer typesを参照していただきたい。