AIとがん研究 ── 脳腫瘍 ── 2026-10-12
脳腫瘍の治療・治験とAI
- Intraoperative fluorescence spectroscopy for IDH classification in glioma: a feasibility study抄録（全訳）
背景：神経膠腫の診断にも予後の判定にも、分子的特徴は欠かせない。ただし、個々の分子的特徴は、初回手術の時点ではふつうまだ分からない。手術前に分子的特徴が分かれば、手術方針を決めるのに大きく役立つ可能性がある。
目的：蛍光スペクトルの特徴を使って機械学習モデルを学習させる。このモデルで、神経膠腫組織の IDH 変異と MGMT プロモーターのメチル化状態を分類できるかを確かめる。
方法：5-アミノレブリン酸（5-ALA）を用いた蛍光ガイド下手術の間に、組織検体を採取した。検体にファイバープローブを当てて、蛍光スペクトルを記録した。蛍光データは盲検化とランダム化を行い、関係する波長だけを残した。腫瘍検体ごとに分子データ（IDH の状態と MGMT のメチル化）を記録し、機械学習アルゴリズムに組み込んだ。各ラベルに該当する患者の半数の蛍光データでアルゴリズムを学習させ、残り半数で検証した。残る半数で、そのモデルを検証した。
結果：27 例を登録し、8000 を超えるスペクトルを測定した。IDH 変異のある検体は、87% の正確度で識別できた。MGMT のメチル化は、このアルゴリズムでは確実には分類できなかった。
結論：この概念実証研究では、蛍光スペクトルに機械学習を適用すると、術中に IDH の状態をリアルタイムで予測できる見込みがある。今後は、より大きなコホートで、IDH と 1p/19q の状態を組み合わせて検討する必要がある。
掲載誌の IF 相当：0.9（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Dablouk MO, Buckley K, Faul S, O’Sullivan MGJ. Intraoperative fluorescence spectroscopy for IDH classification in glioma: a feasibility study. British Journal of Neurosurgery. 2026 Oct 9 [Epub ahead of print]. doi:10.1080/02688697.2026.2746372.確認の範囲：抄録のみ確認 - Deep learning segmentation of the cerebral ventricular system and brainstem for pediatric radiotherapy planning.抄録（全訳）
背景と目的 放射線治療では、脳室系（VS）のセグメンテーション（輪郭抽出）が中心的な役割を担う。頭蓋内胚細胞腫瘍（GCT）に対する全脳室照射にも、脳室周囲領域の保護にも必要である。VS は解剖が複雑で、個人差も大きい。そのため、手作業での輪郭描出が難しく、自動セグメンテーションモデルの開発も進めにくい。著者らは、小児の磁気共鳴画像（MRI）上で VS と脳幹をセグメンテーションする深層学習（DL）モデルを作った。本研究は、このモデルの評価と、臨床業務への組み込みを報告するものである。
方法：脳腫瘍 76 症例（重複なし）の MRI で nnU-Net を学習させた（T1/T2 で n = 73/71）。評価には、独立した二つの後ろ向きコホートを用いた。(i) GCT コホートでは、MRI から CT への位置合わせでマッピングし、治療計画用 CT 画像上で評価した（n = 13/14）。(ii) 脳腫瘍コホートでは、MRI 上で評価した（n = 14）。性能は、手作業の輪郭を基準にして評価した。指標には Dice 類似係数（DSC）とハウスドルフ距離（HD）を用いた。さらに、日常の臨床での治療計画にモデルを前向きに導入し、使いやすさとワークフローへの組み込みを評価した。
結果：GCT-CT コホートで、治療計画用 CT へ剛体／変形写像した後の結果は次のとおりである。脳幹のセグメンテーションは、DSC 中央値が >0.85、HD95 が ≤5.0/6.4 mm であった。VS のセグメンテーションは、DSC が >0.70、HD95 が ≤5.3/4.3 mm であった。MR コホートでは、T1 強調・T2 強調 MRI のいずれでも、両構造の DSC が ≥0.90 に達した。HD95 は、脳幹で 3.0/3.4 mm 以下、VS で 1.3/2.2 mm 以下であった。DL セグメンテーションを使う手順では、手作業の輪郭描出に比べて作業時間が 50% 超短くなった。
結論：GCT-CT コホートで性能が低かった理由として、次の点が考えられる。CT に基づく基準輪郭のノイズが多いこと、観察者間のばらつき、補正されていない幾何学的・解剖学的なずれである。このモデルの精度は、小児脳腫瘍の放射線治療計画において、リスク構造の輪郭作成と、GCT における標的体積のセグメンテーションを支えるものである。具体的には、リスク構造の輪郭描出と、GCT での標的体積のセグメンテーションに使える。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Heinzelmann F, Hörst F, Heine L, Fragemann J, Rempe M, Luijten G, et al. Deep learning segmentation of the cerebral ventricular system and brainstem for pediatric radiotherapy planning. Phys Imaging Radiat Oncol. 2026 Sep;41:101086. doi:10.1016/j.phro.2026.101086; PMCID: PMC13651686.確認の範囲：全文を確認