AIとがん研究 ── がん一般 ── 2026-10-09

対象誌と選び方は索引の頁に

がん一般の分子生物学の進展とAI

• 実質温存肝切除を計画するための切除範囲予測：三つのモデル化手法の比較
  Resection zone prediction for parenchyma-sparing hepatectomy planning: a comparative study of three modeling paradigms
  International Journal of Computer Assisted Radiology and Surgery · 2026-10-07 · 証拠の段階: 手法の比較検討（計算モデル研究）
  抄録（全訳）

  目的：実質温存肝切除を計画するには、切除範囲を正確に決める必要がある。機能する肝組織を残し、しかもがんの切除断端を損なわないためである。本研究は原発性肝がんの実質温存手術の計画を対象とした。解剖学的・機能的な情報をどこまで複雑に取り込むかで、切除範囲の予測がどう変わるかを調べた。

  方法：三つのモデル化手法を比較した。 - 幾何学的な距離に基づく手法 - 血管の解剖をもとに、灌流を明示的に扱う手法 - U-Net 構造を基盤とする深層学習モデル どの手法も、肝臓・腫瘍・血管をセグメンテーションして得た表現を入力に使う。性能は、重なりに基づく指標と距離に基づく指標で評価した。

  結果：距離に基づくモデルは、予測した表面のずれが小さかった（95 パーセンタイル・ハウスドルフ距離（HD95）33.89 mm）。一方、過小セグメンテーションのため、重なりは低かった（Dice 類似係数（DSC）58.18%）。 灌流に基づく手法は、重なり（DSC 67.41%）と境界の正確さ（HD95 37.92 mm）のバランスがよかった。ただし、灌流を「ある・ない」の二値で厳密に仮定している。このため、予測範囲を大きく見積もる傾向があった。 深層学習モデルは、重なりの正確さが最も高かった（DSC 76.31%）。その一方で距離の誤差は大きかった（HD95 65.21 mm）。境界の一部が局所的に不正確なためである。 実質温存切除の計画では、他の二つのモデルを常に上回るモデルはなかった。深層学習は予測性能が高く、とくに切除量が大きい場合に強かった。幾何学的モデルと灌流に基づくモデルは、解釈しやすく、臨床で制御しやすい。距離に基づく手法は、実質を最大限に残す切除に向いている。灌流に基づくモデルは、血管に近く、灌流が失われるおそれのある腫瘍で有利である。今回の結果から、手術戦略の違いによって予測に差が出ることが分かった。このため、個々の患者の手術計画を立てるうえで有用な手がかりになりうる。

  掲載誌の IF 相当：3.0（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）
  書誌：Rothert J, Rakshit J, Salz JL, Huettl F, Ehses V, Huber T, et al. Resection zone prediction for parenchyma-sparing hepatectomy planning: a comparative study of three modeling paradigms. Int J CARS. 2026 Oct 7 [Epub ahead of print]. doi:10.1007/s11548-026-03798-7.
  確認の範囲：抄録のみ確認
• AJAD-BoostNet：深層 K-Means と XGBoost を組み合わせた、がん病理組織画像の自動分類の枠組み
  AJAD-BoostNet: A Hybrid Deep K-Means and XGBoost Framework for Automated Cancer Histopathological Image Classification
  International Journal of Drug Delivery Technology · 2026-10-07 · 証拠の段階: 前臨床（公開ベンチマーク画像データセットでの性能評価）
  抄録（全訳）

  子宮頸がんと肺がんは、世界でがんによる死亡の主な原因であり続けている。このため、正確で拡張しやすく、計算効率のよいコンピュータ支援診断システムが必要である。深層学習は、病理組織画像の解析で目覚ましい成果を上げてきた。しかし既存の手法の多くは、次の三つに頼っている。注釈付きの大規模データセット、大量の計算資源、エンドツーエンドの教師あり学習である。

  これらの制約に対応するため、本研究は AJAD-BoostNet（Adaptive Joint Analysis and Deep Boosting Network）を提案する。がんの病理組織画像を自動で分類する、新しいハイブリッドの枠組みである。深層の転移学習、教師なしクラスタリング、次元削減、ブースティングによる補正を組み合わせている。

  まず、事前学習済みの ResNet50 モデルで、病理組織画像から高次の意味的な特徴を取り出す。次に、主成分分析（PCA）で特徴の次元を減らす。その際、識別に役立つ情報は保つ。こうして最適化した特徴空間を K-Means 法でクラスタリングし、教師なしで最初の分類を行う。最後に、XGBoost によるブースティングの仕組みで誤分類を補正する。予測性能をさらに高め、クラスタリングの誤りを正すためである。

  評価には、二つのベンチマークデータセットを用いた。IARC Cervical Cancer Image Bank と、LC25000 をもとにした Lung Cancer Histopathological Images データセットである。実験の結果、提案手法は両データセットのいずれでも有効であった。

  肺がんの分類では、AJAD-BoostNet の成績は次のとおりであった。正解率 97.08%、F1 スコア 97.00%、Cohen のカッパ係数 94.17%、受信者動作特性曲線下面積（AUC）97.08%。子宮頸がんの分類では、正解率 64.84%、F1 スコア 65.00%、Cohen のカッパ係数 29.20%、AUC 64.55% であった。いずれも、同様の条件で学習させた従来の畳み込みニューラルネットワーク（CNN）モデルを上回った。さらに、10 分割交差検証と信頼区間の解析で、頑健性・安定性・汎化性能が確かめられた。

  以上の結果は、深層学習で意味的な特徴を取り出し、クラスタリングとブースティングを組み合わせる方法の有用性を示している。完全な教師あり深層学習の構成に代わる、効率的で解釈しやすい選択肢となる。このため AJAD-BoostNet は、資源の限られた臨床現場でがんを知的に診断するための有望な手段である。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）
  書誌：[No authors listed]. AJAD-BoostNet: A Hybrid Deep K-Means and XGBoost Framework for Automated Cancer Histopathological Image Classification. IJDDT. 2026 Oct 7;16(57s). doi:10.25258/ijddt.16.57s.160.
  確認の範囲：抄録のみ確認

← この号の目次へ