AIとがん研究 ── 脳腫瘍 ── 2026-10-09
脳腫瘍の治療・治験とAI
- Non-invasive preoperative MRI-based deep transfer learning radiomics model for predicting meningioma brain invasion抄録（全訳）
背景：髄膜腫の脳浸潤（BI）を術前に評価するには、新しい画像解析の枠組みが必要である。計算の効率を高めながら、腫瘍と病理の多面的な関係を捉えられるものが求められている。2.5D MRI には、複数の断面の生物学的情報を、扱える処理量でまとめられる利点がある。本研究はこの利点を土台に、深層転移学習（DTL）を新たに組み合わせた。DTL は、事前学習済みネットワークの知識を対象領域に合わせて使う手法である。目的は二つあった。術前の造影 T1 強調画像（CE-T1WI）を用いて、腫瘍の浸潤に関わる生物学的特徴を系統的に同定する。そして、最適化した予測システムを作ることである。 方法内訳は、BI ありが 53 例、BI なしが 621 例である。コホートは、訓練セットと独立したテストセットに層別化して分けた。CE-T1WI 上で腫瘍の関心領域（ROI）を描き、ラジオミクス特徴量と DTL 特徴量を抽出した。二つの特徴量は早期融合でまとめ、その後に特徴量を選択した。訓練コホートの中では 5 分割交差検証を行った。SMOTE（少数クラスの合成オーバーサンプリング）は、各分割の訓練部分だけに適用した。検証用の分割と独立テストセットは、元のクラス比率のままとした。
結果：モデルの有効性は、ROC 曲線下面積（AUC）で比較した。ComM の AUC は、訓練セットで 0.977、テストセットで 0.935 だった。性能が最も高かったのは ComM である（訓練セット: AUCComM > AUCDTLRM > AUCRadM > AUCClinM > AUCDTLM、テストセット: AUCComM > AUCDTLRM > AUCRadM > AUCDTLM > AUCClinM）。髄膜腫 BI を術前に予測する能力は優れていた。Hosmer-Lemeshow 検定では、モデルの適合は良好だった。較正曲線では、ComM が理想曲線に最も近かった。
結論：2.5D CE-T1WI に基づく ClinM、RadM、DTLM、DTLRM、ComM は、いずれも髄膜腫 BI の予測で良好な性能を示した。最も有効性が高かったのは、臨床・ラジオミクス・DTL を融合したモデル（ComM）である。この結果から、DTL は髄膜腫 BI に関連し、ラジオミクス特徴量とは異なる特徴量を追加で与えると示唆される。DTL の特徴量は、ラジオミクス特徴量とは異なる。このモデルは、術前予測で臨床的に役立つ可能性がある。ただし臨床で使う前に、より大規模な多施設コホートでの外部検証が必要である。
掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Yuan D, Zhang J, Zhang C, Jing X, Feng Q, Han T. Non-invasive preoperative MRI-based deep transfer learning radiomics model for predicting meningioma brain invasion. Front Oncol. 2026 Oct 7;16:1935311. doi:10.3389/fonc.2026.1935311.確認の範囲：抄録のみ確認