スキャンから治療方針まで：NVIDIA Inceptionのスタートアップが乳がん診療の重大なギャップをAIで埋める

2026年10月5日、NVIDIAは公式ブログで、スタートアップ支援プログラム「NVIDIA Inception」に参加する3社が、乳がん診療の各段階にAIをどう適用しているかを紹介しました。対象は画像取得、リスク評価、治療方針の決定です。記事が出発点にしているのは、率直なギャップです。乳がんは米国の女性で最も多く診断されるがんですが、40歳以上の女性の過半数が推奨される年1回の検診を受けていません。放射線科医は少ない人数でより多くのマンモグラフィを読んでいます。診断後も、治療を決める検査の結果が出るまで数週間かかることがあります。 まず規模です。米国では年間約4000万件のマンモグラフィが実施され、今後10年で数万人規模の放射線科医が不足する見通しだと記事は述べています。需要は安定して伸び、読影する人の供給は縮むため、読影能力がボトルネックになります。診療の時間軸の反対側では、治療判断が外部の検査機関に送るゲノム解析に左右されることが多く、結果に数週間かかります。速さと確実さが最も重要な時期にです。3社はこの流れの前段、中段、後段にそれぞれ取り組み、いずれもNVIDIAのAIインフラで高速化されています。 1社目のiSono Healthは、画像取得そのものに取り組みます。FDAの認可を受けたATUSAは、装着型で自動化された3D定量超音波システムです。標準化された乳房ボリュームを片側およそ2分で取得でき、従来の手持ち超音波では最大45分かかります。AIは数千件の乳房全体スキャン、150万枚を超える超音波フレームで学習し、画像取得を自動化します。NVIDIAのGPU高速化とオープンソースの医用画像技術を使い、同社によれば、得られる3Dスキャンは手持ちの2D超音波より感度が28%高いとされています。ただしこれは企業側の主張であり、記事は根拠となる研究の設計を示していません。独立した確認が必要なベンダー発表として読むべきです。

技術的により興味深いのは再現性です。手持ち超音波はプローブを持つ人に依存するため、女性の検査結果を年ごとに比較することは通常できません。ATUSAは毎回同じ方法で乳房全体を撮影します。これにより再現可能な組織像が得られ、臨床医は連続したスキャンの間で患者の組織がどう変化したかを分析でき、操作者による誤差やばらつきも減ります。現在はカリフォルニア、テキサス、ジョージア、テネシー、ワシントンD.C.の提携クリニックで利用でき、新しい拠点も順次増えています。CEOのNeda Razavi氏は、スキャンを患者の近くに届けることが最初の突破口であり、次はそのスキャンをより情報量の多いものにすると述べています。

iSonoは病変検出、3Dセグメンテーション、病変分類のAI機能を開発済みです。次の計画は、3D超音波、マンモグラフィ、MRI、臨床情報にまたがるマルチモーダルな診断支援へAIパイプラインを広げることです。3,200人の患者を対象とする多施設臨床研究が進行中で、主な研究拠点はUCデービスとヴァンダービルト大学医療センターです。医療AIでは、単一施設の後ろ向き結果よりも、前向きの多施設データのほうが実環境での性能をよく示します。 2社目のWhiterabbit.aiは検診に焦点を当てています。FDA認可のWRDensityは、マンモグラフィから乳房の濃度を自動評価するソフトウェアで、数十万人の患者の診療に使われてきました。同社はまた、長期的な乳がん発症リスクを推定する臨床意思決定支援ソフトWRRiskも開発し、より多くのがんを見つけつつ陰性の画像のスクリーニングを自動化できる新世代のマンモグラフィAIを研究しています。目標は、逼迫する放射線科の負担を軽くし、結果を早め、避けられる再検査を減らし、下流の医療費を下げることです。共同創業者でCTOのJason Su氏は、放射線科医は毎日、約200枚に1件のがんを探す「干し草の山の針」の問題に直面していると語り、AIが干し草を取り除く頼れる相棒になることを期待しています。

Whiterabbitの計算資源の配置も注目に値します。学習はセントルイスのワシントン大学に置かれたNVIDIA GPUクラスターで行い、クラウドのGPUで補っています。推論はクリニックに直接置いたNVIDIA GPUで実行します。学習は集中させ、推論は診療現場に置くという構成は、容量が大きくプライバシーに敏感な画像データに向いており、遅延も診療の流れが許容できる範囲に収まります。これは医療AIの導入でよく見られるトレードオフです。 3社目のAtaraxis AIは、治療予測の後段を担います。診断が出た後の問いは何をするかであり、その答えは、がんが治療にどう反応するかの予測に左右されます。記事によれば、現在の予測は範囲も精度も限られ、別の組織生検が必要になることも多く、2〜4週間待たされます。Ataraxisは、標準的な検査にすでに含まれる病理スライドなどのデジタルデータから、予後や各治療への反応を予測する臨床インテリジェンスを構築しています。モデルは病理スライドのパターンを読み取り、その差異を再発リスクや化学療法感受性の違いと結び付けて学習します。技術スタッフのJoseph Cappadona氏は、腫瘍医が今日頼るツールの多くは15年前に一度学習されたきり更新されておらず、同社のモデルは臨床試験データが増えるたびに強くなると述べています。

製品としては、デジタル病理スライドと標準的な臨床変数を解析し、治療反応と再発リスクを予測します。1つのモデルは、手術前の化学療法で腫瘍が手術室に入る前に反応といえる程度まで縮小するかを予測します。手術後には、別のモデルが5年再発リスクと、次の手として化学療法がもたらす見込みの利益を推定します。記事によれば、両モデルは10を超える施設と複数の臨床試験で検証され、実際の臨床で使われています。実行環境はオンプレミス、外部データセンター、クラウドで、NVIDIA GPUによる高速化を伴うPyTorchを使います。 開発者や医療機関にとってこの記事の価値は、単一の指標ではなく、明確な役割分担にあります。前段では自動化ハードウェアが取得の敷居を下げ、中段ではソフトウェアが読影負担と不要な再検査を減らし、後段では既存の病理データが追加検査の代わりになります。3社とも患者にもう一つ何かをさせるのではなく、既存の流れの中で時間を生み出しています。ただし注意が必要です。これはNVIDIAが自社のInceptionメンバーを紹介する自社ブログであり、宣伝の性格を持ちます。性能の数字の多くは企業の発表で、独立した査読済みの証拠は記事に示されていません。

今後の課題も具体的です。マルチモーダルの統合には、機器や施設をまたぐデータガバナンスが必要です。AI機能が増えるたびに新たな規制上の認可が必要になる可能性があります。再検査や見逃しが減るという実際の効果は、前向き研究と長期の追跡で示す必要があります。産業の面では、InceptionがNVIDIAのGPUとソフトウェアを垂直分野のスタートアップに結び付けており、医用画像とデジタル病理はその型が最も定着しやすい分野の一つです。注目すべきは、iSonoの3,200人研究の結果と、Ataraxisのようなモデルがより多くのがん種で性能を再現できるかどうかです。