AIとがん研究 ── 脳腫瘍 ── 2026-10-06

脳腫瘍の新着論文を扱う図。論文は膠芽腫のマウスモデルGL261の縦断的なT2強調MRIを対象にする。ラジオミクスとXGBoostの従来型と、EfficientNetB0を微調整した深層学習の2手法を比べた。深層学習はAUC 0.868、感度0.818で、ラジオミクスのAUC≈0.770を上回った。読者は性能、解釈性、証拠段階の観点で比べて読む。 — 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）

脳腫瘍 1 本。筆頭: 縦断MRIで前臨床の膠芽腫の治療反応を予測する高度な機械学習手法

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

縦断MRIで前臨床の膠芽腫の治療反応を予測する高度な機械学習手法
Advanced machine learning strategies for predicting therapy response in preclinical glioblastoma using longitudinal MRI
Scientific Reports · 2026-10-04 · 証拠の段階: 前臨床（マウスモデル）
抄録（全訳）
膠芽腫（GB）は、最も悪性度の高い原発性脳腫瘍である。予後が悪く、治療が効きにくく、再発も多い。偽反応や偽増悪といった現象があるため、治療反応を早い段階で評価するのは難しい。
この研究では、高度な機械学習（ML）手法で長期の治療成績を予測できるかを調べた。データは、膠芽腫のマウス前臨床モデル（GL261）の縦断的なT2強調磁気共鳴画像（MRI）である。画像は治療前と治療中に撮った。比べた手法は2つある。1つは従来型のパイプラインで、ラジオミクス特徴量とXGBoost分類器を組み合わせる。もう1つは深層学習（DL）のパイプラインで、ファインチューニングしたEfficientNetB0モデルを使う。
ラジオミクスの手法では、解釈しやすい画像バイオマーカーを特定でき、予測性能も良好だった（曲線下面積（AUC）≈ 0.770、95% 信頼区間 0.703〜0.832）。一方、DLモデルはほとんどの評価指標でラジオミクスの手法を上回った。AUCは0.868（95% 信頼区間 0.810〜0.918）、感度は0.818だった。DLモデルは個体ごとの汎化性能も高かった。識別性能はどちらの手法でも、追跡期間が進むにつれて少しずつ上がった。Grad-CAMで解釈可能性を解析した。Grad-CAMによる解釈性の解析で、DLモデルの予測が解剖学的に関連する特徴に基づくことが確認された。
これらの結果は、転移学習で強化したDLが、膠芽腫の治療効果を早期に予測する強力な非侵襲的ツールになりうることを示唆する。より頑健で個別化された治療モニタリングにつながる可能性がある。
掲載誌の IF 相当：5.2（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：González J, Candiota AP, Vellido A. Advanced machine learning strategies for predicting therapy response in preclinical glioblastoma using longitudinal MRI. Sci Rep. 2026 Oct 4 [Epub ahead of print]. doi:10.1038/s41598-026-73929-2.
確認の範囲：抄録のみ確認

← この号の目次へ