ブラウザベースのAI病理プラットフォームをどのように構築したか

デジタルパソロジーはなぜ再構築が必要か

病理スライド1枚には何十億ものピクセルが含まれており、病理医は転移像（減数分裂像）の数を数えたり腫瘍境界を描出したりするだけでも、Whole Slide Image（WSI）を手作業で走査するのに 数時間 を費やすことがあります。これを、さまざまな癌種にわたって、1日に数十件の症例に掛けるとともに、複数のスキャナベンダーのスライドを使う状況では、動作が遅く主観的で、しかも形式の非互換が多発するワークフローが出来上がってしまいます。

私たちのチームは、これら3つの課題に真正面から取り組むために *[AI Pathology](https://ai-pathology.metaworldos.com * を構築しました：

1. ⚡ スピード： 手作業の解析にかかる何時間もを数分へ。
2. 幅： パンキャンサー解析を標準でサポート。
3. 互換性： 変換なしで主要なあらゆるWSI形式をネイティブに読み込み。

ここでは、私たちがどのように構築したのかを説明します。

⚡ スピード：数時間から数分へ

私たちのプラットフォームが最も即座にもたらす価値は、圧倒的な速度です。推論をGPU加速のパイプライン（クラウドでもオンプレミスでも）にオフロードすることで、従来は何時間もかかっていたタスクを数秒または数分に圧縮しました。

これは単なる利便性のアップグレードではなく、スケールさせて実行可能な解析の種類を根本的に変えます。研究者は、これまでの「数十枚」ではなく、数千枚のスライドに対して定量的な研究を行えるようになります。

どのように実現しているか：

• タイルベースの並列推論： WSIをパッチに分割し、GPUワーカー間で並列に処理します。
• スマートな領域（ROI）事前フィルタリング： 空白／背景のタイルをスキップし、計算量を最大70%削減します。
• ストリーミング結果： タイルの完了に合わせて、ユーザーはヒートマップやカウントを段階的に確認でき、全スライドの完了を待つ必要がありません。

パンキャンサー解析：1つのプラットフォームで多様な腫瘍タイプへ

ほとんどの病理AIツールは、単一の癌種に限定されたスコープです。私たちは別のアプローチを取りました。一般的な固形腫瘍と血液疾患の症例全体に対応するモジュール型モデルハブを構築し、統一されたAPIで提供します。

現在サポートしている癌種は以下のとおりです：

各癌種には専用のモデルがあります：

• 腫瘍領域のセグメンテーション
• 細胞レベルの分類
• バイオマーカーの定量（例：Ki-67、PD-L1、HER2）
• 形態学的特徴の抽出

希少疾患や研究固有のニーズでは、私たちのノーコード学習パイプラインにより、ラボが独自の注釈付きデータセットを持ち込み、プラットフォーム上で直接カスタムモデルを微調整できます。

ユニバーサル形式対応：ベンダーロックインの打破

デジタルパソロジーにおける最大級の実務上の悩みの1つは、すべてのスキャナベンダーが独自のプロプライエタリ形式を使用していることです。複数のスキャナを使うラボでは、通常、複数のデスクトップビューアを使い分えるか、ファイル変換に何時間も費やすことになります。

私たちは高性能なユニバーサルWSIエンジンを構築し、変換なしで20種類以上の形式をネイティブに扱えるようにしました。

仕組み：

• ベンダー固有のピラミッド構造を共通APIに抽象化する統一タイルサーバがあります。
• メタデータ（倍率、MPP、チャネル）は取り込み時に自動正規化されます。
• ディープズームレンダリングはタイルを必要に応じてストリーミングするため、50GBの .mrxs を開く感覚がJPEGを開くのと同じくらいスムーズです。

つまり、ラボは乳腺症例にはAperio、肺症例にはHamamatsu、前立腺症例にはPhilipsを使いつつ、どのスライドも同じビューアで開け、同じAIパイプラインがすぐに実行準備できているということです。

️ クラウド＆オンプレミス：医療向けに設計された導入

医療データがパブリッククラウドに置かれることは稀です。病院には厳格なHIPAA/GDPR要件があり、患者データは多くの場合、社内ネットワークの外へ出せません。そこで私たちは、初日から両方の導入モードをサポートできるようにプラットフォームを設計しました：

1. マネージドクラウド（ゼロインストール）
独立した研究者や小規模クリニック向けに、ユーザーはGPUを備えたクラウドデスクトップ（Wuying Workspace が駆動）に、ブラウザ経由で直接アクセスできます。インストールもローカルGPUも不要で、タブを開くだけで解析を開始できます。

2. オンプレミス／プライベート導入
病院や大規模な研究機関向けに、私たちは全スタックをDockerコンテナとして出荷します（Kubernetes または Docker Compose によるオーケストレーション）。フロントエンド、バックエンド、データベース、AI推論エンジンはすべて病院のファイアウォールの内側で動作し、推論にはローカルのGPUクラスターを使用します。100%データソブリン（データ主権）で、外部依存はありません。

️ テックスタック

• フロントエンド＆API： Next.js（App Router）+ TypeScript
• データベース＆ORM： Prisma + PostgreSQL
• スタイリング： Tailwind CSS
• AI推論： PyTorch + ONNX Runtime。コンテナ化されたGPUワーカー経由で提供
• WSIエンジン： OpenSlide + libvips の上に構築したカスタムタイルサーバ
• レポーティング： LLM連携（OpenAI）による自動生成の構造化レポート
返却形式: {"translated": "翻訳されたHTML"}
• ホスティング（クラウド）： アプリ層にはVercel。推論用のGPUノード

フィードバックを募集しています

私たちはクラウドデスクトップ経由で無料トライアルを提供しています。サンプルのWSIを読み込み、腫瘍セグメンテーションモデルを実行し、ブラウザ上だけで5分以内に完全なレポートを取得できます。

こちらで試す： AI Pathology

Dev.toコミュニティへの質問：

• ギガピクセル画像向けのタイルサーバーを作っている方はほかにいますか？ 複数の専用（プロプライエタリ）フォーマットにまたがるキャッシュはどのように管理していますか？
• SaaS版とオンプレミス版の両方を提供するAIプロダクトを出荷している方は、エアギャップ環境でのモデル更新やバージョニングをどのように扱っていますか？
• 重量級のAIアプリケーションの配信手段として、DaaS（クラウドデスクトップ）を使うことについてのご意見はありますか？

コメントでぜひご意見を教えてください！