がん治療：リスクに基づく乳がんスクリーニング方式を強化学習によって最適化する

スクリーニングプログラムでは、早期発見の利点と不必要なスクリーニングのコストのバランスをとらなければならない。今回我々は、個別化スクリーニング用の強化学習をベースとする新規な枠組みであるTempoを導入し、その有効性を乳がんで実証した。まず、マサチューセッツ総合病院（MGH；米国）の大規模スクリーニング用マンモグラフィーデータセットを使って我々のリスクをベースとするスクリーニング方式をトレーニングし、次いでこのデータセットを、MGHの再来外来患者と、エモリー大学（エモリー；米国）、カロリンスカ研究所（カロリンスカ；スウェーデン）、長庚記念病院（CGMH；台湾）の外部データセットで検証した。全てのテストセットで、Tempo方式と画像ベースの人工知能（AI）リスクモデルの組み合わせは、スクリーニング頻度当たりのシミュレーションによる早期検出については、臨床診療で使用されている現在のレジメンよりも有意に効率的であることが分かった。さらに、同じTempo方式は可能なスクリーニングの多様な設定に容易に適合させられるために、臨床医は新しい方式を訓練しなくても、早期発見とスクリーニングコストの間で希望するトレードオフを選択できることが示された。我々はまた、AIによるリスクモデルに基づくTempo方式は、精度の低い臨床リスクモデルに基づくTempo方式よりも優れていることを実証した。まとめると、今回の結果は、AIをベースとするリスクモデルとアジャイルAI設計のスクリーニング方式の組み合わせが、不必要なスクリーニングを減らしながら早期発見を進めることで、スクリーニングプログラムを改善できる可能性を持つことを示している。