AIとがん研究 ── 乳がん ── 2026-10-07
乳がんの治療・治験とAI
- Transparency archive for: Validation design, data leakage and performance reporting in [18F]FDG PET/CT radiomics and artificial intelligence models for predicting pathological complete response in breast cancer: a systematic review抄録（全訳）
このレビューは前向きに登録されておらず、本アーカイブは事後に登録した。レビューの対象は、乳がんの術前化学療法後の病理学的完全奏効（pCR）を予測するモデルである。具体的には、[18F]FDG PET/CT のラジオミクスと人工知能（AI）を用いたモデルを扱った。調べた点は、検証デザイン、データリーク、サンプル数の妥当性、性能指標の報告である。
アーカイブには次のものが入っている。
- レビューのプロトコル。事後に寄託したもので、レビューは前向きには登録していない。
- 3 回の検索ラウンドすべてで使った、完全なブール検索式。
- 組み入れた 30 研究の研究単位の抽出表。含まれる 30 件の研究の抽出表には、PROBAST+AI による判定と理由コードが付いている。
緩和した条件での検索で評価した 127 件について、記録単位のスクリーニング判定を収めている。
論文中の二つの図を作成する Python スクリプトも収めている。
検索の最終実行日は 2026 年 10 月 1 日である。論文に載せた記述統計は、すべて抽出表から再計算できる。患者単位のデータは使っておらず、論文の全文も再配布していない。バージョン 1.1.0 では、研究単位の抽出表と、緩和検索のスクリーニングファイルを英語版に差し替えた。データの値は変えていない。研究単位の表は ESM 4 として、スクリーニングファイルは ESM 2 として、論文にも添付されている。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Transparency archive for: Validation design, data leakage and performance reporting in [18F]FDG PET/CT radiomics and artificial intelligence models for predicting pathological complete response in breast cancer: a systematic review. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23162322.確認の範囲：抄録のみ確認 - Slow Diffusion Coefficient Derived from High b-Value Diffusion-Weighted MRI for Assessing Pathological Complete Response after Neoadjuvant Chemotherapy in Breast Cancer: An Exploratory Machine Learning Analysis抄録（全訳）
乳がんの治療効果の評価には、見かけの拡散係数（ADC）が使われている。ただし、ADC は灌流や T2 に関連する影響を受ける可能性がある。本研究の目的は二つである。一つは、ADC のみ、緩徐拡散係数（SDC）のみ、ADC と SDC の組み合わせの三つのモデルを比べることである。もう一つは、治療後の病理学的完全奏効（pCR）の評価で、SDC が ADC を補う情報をもつかを調べることである。
ACRIN-6698/I-SPY2 データセットを使った後ろ向きの二次解析である。対象は 84 例で、うち 32 例が pCR であった。ADC は b = 0 と 800 s/mm2 から、SDC は b = 600 と 800 s/mm2 から算出した。病変内の平均値と、治療に伴うその変化を評価した。評価には、入れ子の 5 分割交差検証を 100 回繰り返す方法を使った。正規化、ランダムフォレストによる順位付け、LASSO の調整と変数選択は、すべて訓練データの中だけで行った。
交差検証での平均の受信者動作特性曲線下面積（AUC）は、rcADC と rcSDC を組み合わせたモデルで最も高く、0.724 であった。このモデルの out-of-fold 予測をまとめた AUC は 0.728 であった。rcADC 単独では 0.633 であった。ただし、両者の AUC の差を対応のある比較で検定すると、統計的に有意ではなかった。
治療に伴う SDC の変化は、治療後の pCR 評価で、従来の ADC の変化を補う可能性がある。観察された識別能は、rcADC と rcSDC を組み合わせたモデルが最も高かった。しかし、rcADC 単独に比べて統計的に有意な改善があるとは示されなかった。これらは探索的な結果であり、技術的な検証と外部検証が必要である。
掲載誌の IF 相当：1.0（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）書誌：Sakoda K, Baba S. Slow Diffusion Coefficient Derived from High b-Value Diffusion-Weighted MRI for Assessing Pathological Complete Response after Neoadjuvant Chemotherapy in Breast Cancer: An Exploratory Machine Learning Analysis. Indian J Radiol Imaging. 2026 Oct 5 [Epub ahead of print]. doi:10.1055/s-0046-1829390.確認の範囲：抄録のみ確認