AIとがん研究 ── 肺がん ── 2026-10-11
肺がん 1 本。筆頭: 説明可能な機械学習による放射線食道炎の特徴づけ：NRG/RTOG 0617 臨床試験で治療を受けた肺がん患者を対象に
肺がんの治療・治験とAI
- Characterization of radiation-induced esophagitis using explainable machine learning algorithms for lung cancer patients treated in the NRG/RTOG 0617clinical trial抄録（全訳）
局所進行非小細胞肺がんの化学放射線療法では、急性食道炎を抑えることがまだ難しい。本研究は、Radiation Therapy Oncology Group 0617 臨床試験で治療を受けた患者 451 例を対象とした。機械学習（ML）アルゴリズムを使い、急性食道炎を予測した。症例は訓練セット（70%）と独立したテストセット（30%）に分けた。
グレード 2 以上の食道炎を予測するため、複数の ML モデルを訓練した。使った特徴量は臨床、ラジオミクス、線量／ドジオミクスの 3 種類である。モデルの性能は受信者動作特性曲線下面積（AUC）で評価した。最も性能の高いモデルについては、Shapley additive explanation の枠組みと決定曲線解析を用いて説明した。
精度が最も高かったのは、ラジオミクス–ドジオミクス特徴量に基づく least absolute shrinkage and selection operator モデルであった（AUC = 0.70、95% 信頼区間 0.60〜0.78）。腫瘍の位置に対する食道の幾何学的配置を考慮した新しいモデルも作った。このモデルは線量体積ヒストグラムの関係を用いており、AUC は 0.67（95% 信頼区間 0.58〜0.76）であった。
ML モデルで重要な関係が分かった。これらの関係は、個々の患者のリスクを最小にする放射線の線量計画の指針になりうる。個別化放射線治療を進めることにも役立ちうる。
掲載誌の IF 相当：1.5（OpenAlex の直近 2 年の平均被引用数・2026-10-10 時点の値、2026-10-11 に取得。正式な IF（Clarivate）ではない）書誌：Upadhaya T, Chetty IJ, Lui J, Atkin KM. Characterization of radiation-induced esophagitis using explainable machine learning algorithms for lung cancer patients treated in the NRG/RTOG 0617clinical trial. AIH. 2026 Oct 8;0(0):026220054. doi:10.36922/aih026220054.確認の範囲：抄録のみ確認