AIとがん研究 ── 肺がん ── 2026-10-05

肺がんの新しい論文を扱う図。入口は新しい論文。対象と課題は、非小細胞肺がんの組織型と病期の特定で、従来は目視の読影が中心。次に手作業のラジオミクス特徴量と注意機構つきCNNの時空間表現を組み合わせる。スパースな特徴量選択の後、XGBモデルがマルチタスク学習で分類する。正解率とAUROCで評価し、従来手法より良い結果を示した。出口は、性能指標と確認範囲を比べる観点。 — イメージアブストラクト ── 記事の全体像を 1 枚に（画像を押すと拡大）

肺がん 1 本。筆頭: 時空間スパース注意とラジオミクスを組み合わせた非小細胞肺がんの自動検出・組織型分類・病期予測の枠組み

対象誌と選び方は索引の頁に

肺がんの治療・治験とAI

時空間スパース注意とラジオミクスを組み合わせた非小細胞肺がんの自動検出・組織型分類・病期予測の枠組み
A Spatio-Temporal Sparse Attention-Radiomics Framework for Automated Non-Small Cell Lung Cancer Detection, Histological Subtype Classification, and Stage Prediction
Engineering Technology & Applied Science Research · 2026-10-02 · 証拠の段階: モデル開発研究（CT 画像での性能評価。データの出所とデザインは抄録に記載なし）
抄録（全訳）
非小細胞肺がん（NSCLC）を組織型や病期まで含めて正確に見分けることは欠かせない。非小細胞肺がん（NSCLC）の組織型や病期まで正確に特定することは、適切な臨床判断と患者の転帰の改善に不可欠である。従来の画像診断は、主に目視による読影に頼っている。そのため、腫瘍内の微妙な不均一性を捉えきれないことがある。
この限界を補うため、CT 画像から NSCLC の検出、組織型の分類、病期の予測を自動で行う STSA-RADXGB（Spatio-Temporal Sparse Attention Radiomics Extreme Gradient Boosting）を提案する。コンピュータ断層撮影（CT）画像から、NSCLC の自動検出、組織型分類、病期予測を行う手法である。STSA-RADXGB は二種類の特徴量を組み合わせる。一つは手作業で設計したラジオミクス特徴量である。もう一つは、注意機構で誘導する畳み込みニューラルネットワークで得た深層の時空間表現である。これにより、腫瘍の構造的な特徴と時間的な特徴の両方を総合的に解析できる。
スパースな特徴量選択法を適用し、最も識別力の高い特徴量を特定する。これにより、冗長性と次元数も最小限に抑える。最適化したハイブリッド特徴量は、マルチタスク学習の枠組みで Extreme Gradient Boosting（XGB）モデルにより分類する。性能は正解率と AUROC で評価する。
結果は、従来のラジオミクスや深層学習（DL）の手法より優れた性能を示している。これは、より信頼でき解釈しやすい臨床判断を支えるものである。
掲載誌の IF 相当：2.6（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：Balekai R, Holi MS. A Spatio-Temporal Sparse Attention-Radiomics Framework for Automated Non-Small Cell Lung Cancer Detection, Histological Subtype Classification, and Stage Prediction. Eng Technol Appl Sci Res. 2026 Oct 2;16(5):39621-8. doi:10.48084/etasr.19919.
確認の範囲：抄録のみ確認

← この号の目次へ