米国では毎年、23万例以上の乳がん患者の治療方針が、がんが乳房以外の部位に転移しているかどうかによって決まる。現在、転移の有無を確認するためには病理学者が大規模な生物学的組織を詳細に観察する作業が行われているが、このプロセスは人的負担が大きく、誤診のリスクも高い。本研究では、10万×10万ピクセルというギガピクセル級の顕微鏡画像において、100×100ピクセル程度の微小な腫瘍を自動的に検出・局在化するフレームワークを提案する。本手法は畳み込みニューラルネットワーク（CNN）アーキテクチャを活用し、難易度の高い病変レベルの腫瘍検出タスクにおいて、Camelyon16データセットで最先端の性能を達成した。画像1枚あたり8件の誤検出（偽陽性）を許容した場合、本手法では92.4%の腫瘍を検出できたのに対し、従来の最良自動化手法では82.7%にとどまった。対照的に、徹底的な検索を試みた人間の病理学者は73.2%の感度にとどまった。本手法は、Camelyon16のテストセットおよび独立した110枚のスライドからなるデータセットの両方で、画像レベルのAUCスコアが97%以上を達成した。さらに、Camelyon16の学習データセットに含まれる2枚のスライドが誤って「正常」とラベル付けされていることが判明した。本アプローチにより、転移検出における偽陰性率を大幅に低減できる可能性がある。