AIとがん研究 ── 胃がん ── 2026-10-10
胃がんの治療・治験とAI
- CT venous-phase radiomics for preoperative differentiation of early and advanced gastric cancer: construction, comparison, and validation of machine-learning models抄録（全訳）
目的：CT静脈相画像をもとに、複数のラジオミクスモデルを作る。これらのモデルで、胃がん（GC）が胃壁のどの深さまで浸潤しているかを定量的に評価する。早期（T1〜T2期）と進行（T3〜T4期）の胃がんを見分ける性能も、機械学習モデルの間で比べる。頑健で解釈しやすいモデルを見つけ、臨床応用の可能性を評価することをねらいとした。
方法：後ろ向き研究である。対象は、2022年1月から2025年5月に治療を受け、病理で胃がんと確定した223例である（早期66例、進行157例）。7:3の層別無作為抽出で、訓練セット（n = 156）と内部ホールドアウトテストセット（n = 67）に分けた。全例が手術前1週間以内に造影CTを受けた。静脈相の画像を選び、3D Slicerで腫瘍を含む三次元の関心領域（ROI）を手作業で描出した。このROIからラジオミクス特徴量を抽出した。データリークを厳密に防ぐため、前処理はすべて訓練セットの中だけで行った。前処理には、特徴量の標準化、LASSOによる特徴量選択、ハイパーパラメータ調整、閾値の決定が含まれる。これらはパイプライン方式でまとめ、5分割交差検証を用いた。さらに、層別交差検証を50回繰り返し、特徴量選択の安定性を評価した。作った機械学習モデルは4種類である。ロジスティック回帰（LR）、ランダムフォレスト（RF）、XGBoost（XGB）、サポートベクターマシン（SVM）を用いた。性能はROC曲線、PR曲線、混同行列、決定曲線分析（DCA）で評価した。解釈性を得るため、LRモデルにSHAP解析を適用した。
結果：ラジオミクス特徴量を計107個抽出し、LASSO回帰でそのうち主要な23個を選んだ。特徴量選択の安定性も解析した。2個は50回すべてで選ばれた（頻度100%）。1個は98%以上の回で残った。全体では、選択頻度80%以上が6個、50%以上が8個であった。残りの特徴量は、選ばれるかどうかのばらつきが大きかった。 内部ホールドアウトテストセットでのLRモデルのAUCは0.926（95% 信頼区間 0.860〜0.978）であった。次いでSVM（AUC 0.915、95% 信頼区間 0.848〜0.973）、RF（AUC 0.893、95% 信頼区間 0.814〜0.960）、XGBoost（AUC 0.889、95% 信頼区間 0.806〜0.956）の順であった。DeLong検定では、4モデルのAUCに統計的な有意差はなかった（すべてP > 0.05）。LRとRFの差（AUC差 0.033、P = 0.051）は、数値上のわずかな差にすぎない。LRが統計的に優れていることを示すものではない。 LRモデルの性能は、指標の間でバランスがよかった。正診率0.836、感度0.830、特異度0.850であった。陽性的中率（PPV）は0.929、陰性的中率（NPV）は0.680であった。F1スコアは0.876、平均適合率（AP）は0.972であった。特に、偽陰性率はLRが最も低かった（17.0%）。これにより、進行胃がんを過小治療する臨床上のリスクを最小限に抑えられる。 Hosmer-Lemeshow検定では、ランダムフォレスト（P = 0.586）、XGBoost（P = 0.081）、SVM（P = 0.213）の各モデルで較正が良好であった。一方、ロジスティック回帰モデルには較正のずれがみられた（P < 0.001）。ただし、LRモデルの較正には問題があった。それでも、LRモデルは識別能に優れ（AUC = 0.926）、二値分類器として臨床で有用であることが支持される。DCAでは、4モデルすべてに臨床的有用性があった。LRモデルは、閾値確率の大半の範囲で良好な正味の利益を示した。SHAP解析では、LeastAxisLengthやSurfaceVolumeRatioなど、選ばれた特徴量の寄与の向きを確かめた。その向きは病理学的な解釈と一致していた。
結論：CT静脈相画像から作った4つの機械学習モデルは、いずれも同程度の識別能を示した。DeLong検定で、モデル間のAUCに統計的な有意差はなかった（すべてP > 0.05）。LRモデルの予測性能が、統計的に優れていたわけではない。それでも、LRモデルは解釈しやすく、分類指標のバランスがよく、偽陰性のリスクが最も小さい。このため、臨床応用につながる可能性がほかのモデルより高かった。LRモデルは係数の構造が透明で、診断性能も良好である。術前の病期診断と治療方針の決定を補助する定量的なツールとして使える。胃がんを精密に診断・治療するための客観的な根拠にもなる。正式に臨床へ導入する前に、多施設での前向きな外部検証が欠かせない。
掲載誌の IF 相当：5.3（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：Zhang H, Liu Q, Lian W, Huang R, Zhao X, Li L, et al. CT venous-phase radiomics for preoperative differentiation of early and advanced gastric cancer: construction, comparison, and validation of machine-learning models. Cancer Imaging. 2026 Oct 8 [Epub ahead of print]. doi:10.1186/s40644-026-01132-7.確認の範囲：抄録のみ確認