AIとがん研究 ── 脳腫瘍 ── 2026-10-05

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• ProtoSurv-X：説明可能な脳腫瘍の生存予測
  ProtoSurv-X: Explainable Brain Tumor Survival Prediction
  Journal of Electronics Electromedical Engineering and Medical Informatics · 2026-10-03 · 証拠の段階: 公開データセット（BraTS）を用いたモデル開発研究（5 分割交差検証）
  抄録（全訳）

  高悪性度神経膠腫の患者では、生存期間を正確に予測することが重要である。高悪性度神経膠腫の患者で生存を正確に予測することは、予後の評価と個別化した治療計画に重要である。ただし、既存の深層学習の手法には課題がある。しかし既存の深層学習には、腫瘍内の不均一性の大きさ、マルチモーダル MRI の複雑なパターン、限られた解釈性という難しさがある。

  本研究は、MRI に基づく神経膠腫の生存予測のため、説明可能で不確実性を考慮した枠組み ProtoSurv-X の開発を目的とする。ProtoSurv-X は MRI に基づいて神経膠腫の生存を予測する枠組みで、説明でき、不確実性も考慮する。この枠組みは、確率的な腫瘍ハビタットのモデル化、プロトタイプ誘導学習、エビデンシャル予測、エビデンスに基づく臨床的説明を統合する。

  BraTS 2019 と BraTS 2020 のデータセットから重複する被験者を除き、統合コホートを作った。対象は 369 人である。このうち 118 人は肉眼的全摘出を受けた患者で、生存の注釈がすべてそろっていた。

  腫瘍の領域分割には、拡散モデルで強化した SwinUNETR を用いる。続いて確率的なハビタットを構築する。そのうえで、ラジオミクス特徴量、深層画像特徴量、ハビタット特徴量、年齢関連の特徴量を融合する。プロトタイプ学習と、生存を考慮した対照学習で、予後を表す表現を作る。エビデンシャル深層学習でリスクと予測の不確実性を推定し、並行して生存期間を連続値として回帰する。説明文の生成では、構造化したモデルの根拠を用いて、オープンソースの大規模言語モデル 7 種を比較した。さらに Meta-Llama-3.1-8B-Instruct を QLoRA でファインチューニングした。

  統合した生存コホートで 5 分割交差検証を行った。ProtoSurv-X の平均絶対誤差は 145.2 ± 6.5 日、二乗平均平方根誤差（RMSE）は 189.4 ± 8.3 日であった。C 指数は 0.745 ± 0.008、統合ブライアスコアは 0.124 であった。領域分割モジュールの Dice スコアは BraTS 2019 で、腫瘍全体が 91.24%、腫瘍コアが 87.38%、造影される腫瘍が 81.76% であった。ファインチューニングした説明モデルの BERTScore は 0.915、ハルシネーション率は 2.6% であった。

  これらの結果は、ProtoSurv-X が統合的な計算の枠組みであることを示す。この枠組みで、神経膠腫の予後を、正確に、不確実性を考慮し、根拠に基づいてモデル化できる。ただし、臨床での検証と多施設での検証がさらに必要である

  掲載誌の IF 相当：2.0（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Chaudhary N, Shah S, Thacker C. ProtoSurv-X: Explainable Brain Tumor Survival Prediction. jelectronelectromedicalengmedinform. 2026 Oct 3;8(4):1487-502. doi:10.35882/jeeemi.v8i4.1899.
  確認の範囲：抄録のみ確認
• 人工知能を用いた MRI での腫瘍周囲浮腫と腫瘍組織の鑑別
  ДИФФЕРЕНЦИАЛЬНОЕ РАЗГРАНИЧЕНИЕ ПЕРИФОКАЛЬНОГО ОТЕКА И ОПУХОЛЕВОЙ ТКАНИ НА МРТ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
  Zenodo (CERN European Organization for Nuclear Research) · 2026-10-02 · 証拠の段階: 観察研究（160 例でのモデル評価。後ろ向きか前向きかは抄録に記載なし）
  抄録（全訳）

  要旨

  背景：脳腫瘍の周囲には、T2 強調画像や FLAIR で高信号を示す領域がある。この領域は形態学的に不均一で、血管性浮腫、反応性変化、腫瘍の浸潤を含むことがある。これらを確実に区別することは、手術、生検、放射線治療で重要である。

  目的：マルチパラメトリック MRI と人工知能（AI）で、次の 4 つをどこまで区別できるかを評価する。腫瘍組織、浸潤を受けた腫瘍周囲組織、血管性浮腫、正常な脳実質である。 対象と方法：患者 160 人を対象とした。用いた画像は、T1 強調画像、造影後 T1 強調画像、T2 強調画像、FLAIR、拡散強調画像（DWI；b = 0 および 1000 s/mm²）、見かけの拡散係数（ADC）である。104 人では、動的磁化率コントラスト（DSC）灌流画像も用いた。基準となるラベル付けは 2 人の専門家が行った。比較した手法は、FLAIR のみ、専門家による評価、ADC、ラジオミクス、AI、マルチパラメトリック MRI＋AI である。

  結果：ADC の平均値（ADCmean）は、腫瘍で 0.92［0.82〜1.05］、浸潤域で 1.12［1.00〜1.25］、血管性浮腫で 1.48［1.32〜1.65］×10⁻³ mm²/s であった。相対脳血液量（rCBV）は、それぞれ 3.80、2.15、1.05 であった。完全なモデルの Dice は、腫瘍で 0.90、浮腫で 0.87、浸潤で 0.78 であった。感度は 0.90、特異度は 0.88、正解率は 0.89、F1 は 0.89、AUC は 0.92 であった。

  結論：MRI＋ADC±rCBV＋ラジオミクス＋AI という構想により、浸潤確率をボクセル単位で示すマップを作成できる。ただし、示した数値は独立した多施設での検証が必要である。AI は神経放射線科医を支援するものと位置づけるべきである。専門家による読影を自律的に置き換えるものではない。 キーワード：脳腫瘍；腫瘍周囲浮腫；磁気共鳴画像法；腫瘍周囲浸潤；人工知能；ラジオミクス；DWI；ADC；灌流 MRI；領域分割。

  掲載誌の IF：不明（照合できず）
  書誌：[No authors listed]. ДИФФЕРЕНЦИАЛЬНОЕ РАЗГРАНИЧЕНИЕ ПЕРИФОКАЛЬНОГО ОТЕКА И ОПУХОЛЕВОЙ ТКАНИ НА МРТ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23094537.
  確認の範囲：抄録のみ確認

← この号の目次へ