AIとがん研究 ── 前立腺がん ── 2026-10-07

対象誌と選び方は索引の頁に

前立腺がんの治療・治験とAI

• 前立腺がんの前立腺外進展を bpMRI・mpMRI で検出する転移学習 AI モデルと放射線科医の比較
  Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI
  Research Square · 2026-10-05 · 証拠の段階: 後ろ向きの観察研究（モデル開発とテストセットでの比較）
  抄録（全訳）

  目的：前立腺のバイパラメトリック MRI（bpMRI）とマルチパラメトリック MRI（mpMRI）で前立腺外進展（EPE）を検出する深層学習モデルを作った。そのうえで、性能を放射線科医と比べて検証した。

  方法：大規模医療機関の連続症例を対象とした。対象は、2015〜2023 年に前立腺 MRI を受け、その後 1 年以内に根治的前立腺全摘除術を受けた患者である。データは訓練用・検証用・テスト用のセットに分けた。モデルは転移学習によるものである。3D ResNet-50 を基盤とする多分岐 3D 畳み込みニューラルネットワーク 2 つで構成した。bpMRI 用のモデル（AI bp）には、横断像の T2 強調像（T2WI）と拡散強調像（DWI）を入力して学習させた。mpMRI 用のモデル（AI mp）には、横断像の T2WI、DWI、造影後画像を入力した。前立腺や腫瘍のセグメンテーション（領域の切り出し）は行っていない。さらに、PSA 密度を加えたロジスティック回帰モデルを AI mp モデルとあわせて学習させた（AI mpPSAD）。腹部画像のフェローシップ研修を修了した放射線科医 3 名が、テストセットの EPE を評価した。読影者は各検査を bpMRI と mpMRI の両方で評価し、被膜の見え方から腫瘍の被膜外浸潤を 1〜5 点で採点した。受信者動作特性曲線下面積（AUC）を求め、Delong 検定で比較した。診断性能の各指標も算出した。

  結果：対象は前立腺 MRI 1,232 件である（訓練 1003 件、検証 113 件、テスト 116 件）。モデルの AUC は、AI bp が 0.71、AI mp が 0.72、AI mpPSAD が 0.73 だった。感度は、AI bp の Youden 指数での値（0.77）に固定して比較した。このとき AI bp、AI mp、AI mpPSAD の特異度はそれぞれ 0.64、0.69、0.71、正確度は 0.71、0.73、0.74 だった。読影医の AUC は、bpMRI で 0.66〜0.71、mpMRI で 0.69〜0.74 の範囲だった。読影医の正確度は、bpMRI で 0.60〜0.68、mpMRI で 0.65〜0.72 の範囲だった。

  結論：セグメンテーションを必要としない転移学習モデルは、EPE の検出でフェローシップ研修を修了した放射線科医と同程度の性能を示した。これは bpMRI でも mpMRI でも同じだった。すべてのモデルと読影医で、造影後シーケンスを加えると正確度が上がる傾向がみられた。

  掲載誌の IF：不明（照合できず）
  書誌：Tong A, Daniels A, Ginocchio L, Smereka P, Dutt T, Umapathy L, et al. Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI. Research Square. 2026 Oct 5 [Epub ahead of print]. doi:10.21203/rs.3.rs-11001056/v1.
  確認の範囲：抄録のみ確認
• 前立腺の自動輪郭抽出に向けた実用的な深層学習モデルと放射線治療計画への導入
  Practical deep learning solutions for prostate cancer segmentation and implementation in radiotherapy planning.
  Physical and engineering sciences in medicine · 2026-10-05 · 証拠の段階: 後ろ向きのデータによるモデル開発・比較研究
  抄録（全訳）

  放射線治療計画では、前立腺と周囲の構造を正確にセグメンテーション（輪郭描出）することが欠かせない。治療を確実に届けつつ、近くの組織への被ばくを最小限に抑えるためである。しかし、これまでの深層学習（DL）によるセグメンテーション研究には不足があった。陰茎球（PB）や精嚢（SV）など、臨床上重要な構造を対象から外していることが多い。臨床現場では入手しにくい大規模な独自データセットに大きく頼っている。従来のアトラス法との直接比較もない。

  本研究はこの不足を埋めるため、DL システムの導入を検討する病院に実用的な知見を示す。2D U-Net モデルを、体系立てた 6 つの実験で評価した。このうち 1 つの実験では 3D U-Net モデルとも比較した。特に、公開されている前立腺 CT データを DL の学習に使ったのは本研究が初めてである。公開データと施設内データを組み合わせ、前立腺と隣接する解剖構造でモデルの頑健性を高めた。これまで扱われることの少なかった PB や SV を含めたため、モデルを臨床で使いやすくなった。

  結果として、中規模のデータセット（本研究では 60〜約 300）でも、主要なリスク臓器で平均距離一致度（MDA）が 1 mm 未満に達した。膀胱では 0.60 mm、直腸では 0.93 mm である。大規模な注釈付きデータへの依存を減らせる。日常診療で作った輪郭で学習させたモデルは、手作業で大きく修正しなくても良好な性能を示した。日常診療で得られた既存の臨床データを、モデルの学習に利用できることが示された。市販のアトラス法ツール 4 種と比べると、前立腺、膀胱、SV などの主要な解剖構造で 2D U-Net モデルの精度が上回った。前立腺の MDA は、本研究の深層学習モデルで 1.28 mm、アトラス法ツールで 1.4〜2.5 mm だった。SV のような小さな構造では、3D モデルのほうが空間的な文脈をよく捉えた。それでも 2D モデルは計算負荷が小さく、実用的な代替手段となった。資源の限られた臨床現場に向いている。

  掲載誌の IF 相当：2.4（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：Hizam DA, Saad M, Ung NM, Muaadz A, Salleh FM, Tan LK. Practical deep learning solutions for prostate cancer segmentation and implementation in radiotherapy planning. Phys Eng Sci Med. 2026 Oct 5 [Epub ahead of print]. doi:10.1007/s13246-026-01815-2.
  確認の範囲：抄録のみ確認

← この号の目次へ