希少遺伝疾患患者の診断を支援する表現型ベースの少数ショット学習
「SHEPHERD」という少数ショット学習を用いた深層学習モデルが、希少疾患の診断を支援し、原因遺伝子の特定や類似患者の検索、新規希少疾患の特徴付けに有効であることを示した論文です。
Few shot learning for phenotype-driven diagnosis of patients with rare genetic diseases
要 旨
米国には7,000以上の希少疾患が存在し、その中には3,500人以下の患者しかいない疾患もあります。こうした疾患に対する臨床医の経験は限られており、臨床的な症状も多様であるため、現在診断を求める人々の約70%が未診断のままです。深層学習は一般的な疾患の診断支援に成功を収めていますが、従来の手法では疾患ごとに数千人の診断患者を含むラベル付きデータセットが必要です。本研究では、SHEPHERDという、少数ショット学習（few-shot learning）による多面的な希少疾患診断手法を提案します。SHEPHERDは、希少疾患に関する情報を統合した生物医学知識グラフ上で深層学習を行い、表現型に基づいた診断を実施します。一度学習されると、SHEPHERDは実際の患者に関する臨床的な洞察を提供できることが確認されました。本研究では、未診断疾患ネットワーク（Undiagnosed Diseases Network）の465名の患者（299疾患に相当、79%の遺伝子および83%の疾患が1人の患者にしか見られない）を対象にSHEPHERDの評価を行いました。SHEPHERDは、以下の診断に関する複数の側面で優れた性能を示しました。
•原因遺伝子の特定（原因遺伝子の予測ランキングは平均3.56位）
•「自分と似た患者」の検索（同じ原因遺伝子や疾患を持つ患者の検索）
•新規疾患の解釈可能な特徴付け
さらに、MyGene2（146名）およびDeciphering Developmental Disorders Study（1,431名）の2つの実世界の患者コホートを用いてSHEPHERDを検証しました。その結果、SHEPHERDは深層学習を用いた希少疾患診断の加速に貢献する可能性があることが示されました。本研究の成果は、極めて少数のラベルしかない医療データセットに対して深層学習を適用する際の新たな可能性を示唆しています。
There are more than 7,000 rare diseases, some affecting 3,500 or fewer patients in the US. Due to clinicians’ limited experience with such diseases and the heterogeneity of clinical presentations, approximately 70% of individuals seeking a diagnosis today remain undiagnosed. Deep learning has demonstrated success in aiding the diagnosis of common diseases. However, existing approaches require labeled datasets with thousands of diagnosed patients per disease. Here, we present SHEPHERD, a few shot learning approach for multi-faceted rare disease diagnosis. SHEPHERD performs deep learning over a biomedical knowledge graph enriched with rare disease information to perform phenotype-driven diagnosis. Once trained, we show that SHEPHERD can provide clinical insights about real-world patients. We evaluate SHEPHERD on a cohort of N = 465 patients representing 299 diseases (79% of genes and 83% of diseases are represented in only a single patient) in the Undiagnosed Diseases Network. SHEPHERD excels at several diagnostic facets: performing causal gene discovery (causal genes are predicted at rank = 3.56 on average), retrieving “patients-like-me” with the same causal gene or disease, and providing interpretable characterizations of novel disease presentations. We additionally examine SHEPHERD on two other real-world cohorts, MyGene2 (N = 146) and Deciphering Developmental Disorders Study (N = 1,431). SHEPHERD demonstrates the potential of deep learning to accelerate rare disease diagnosis and has implications for using deep learning on medical datasets with very few labels.
企業の取り組み
ソフトバンクグループとTempus AI,Inc.の共同企業
病による悲しみを減らすことを目指し、個別化医療を支援する3つのサービスを提供します。1)遺伝子検査で個別最適な治療を提案2)医療データ利活用で診断精度向上と創薬を加速3)AIアプリで治験情報を含む診療サポートを提供
THINK Surgical社が開発した TMINI® Miniature Robotic Systemは整形外科領域における個別化医療を推進する手術支援ロボットです。TMINIは、患者ごとの解剖学的構造やニーズに合わせて、CTベースの三次元手術計画を作成。術中は、術者の動きをリアルタイムで補正しながら、骨ピンを極めて高い精度で配置することができます。これにより、患者一人ひとりに最適化された骨切除とインプラントの配置が可能となります。さらに特筆すべきは、TMINIが搭載する 独自のデータベース「ID-HUB」 の存在です。このシステムは、複数メーカーの多様なインプラント情報を統合管理しており、医師は患者の状態や骨格に最も適したインプラントを柔軟に選択できます。これにより、標準化された手術手順に依存せず、患者ごとに最適な治療計画を構築することが可能となります。