AIとがん研究 ── 肺がん ── 2026-10-12
肺がんの治療・治験とAI
- Development and internal validation of a machine-learning model for 3-year mortality after lung cancer resection: an online risk calculator and nomogram.抄録（全訳）
背景：肺がんは、今もがんによる死亡の主な原因の一つである。術後にリスクを層別化できれば、肺切除後の経過観察を患者ごとに調整する助けになる可能性がある。本研究の目的は、術後3年死亡の探索的な予測モデルを作り、内部検証することである。変数には、日常診療で得られる臨床・病理・検査の値を用いた。その際、転帰の確認方法とモデルの較正を明示的に扱い、単施設の後ろ向きコホートという限界も踏まえた。
方法：LASSO 回帰で変数を選び、7つのアルゴリズムを比べた。ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン、人工ニューラルネットワーク、XGBoost、LightGBM である。データを7:3に分けて内部のホールドアウト検証を行い、識別能・較正・決定曲線での性能を評価した。最終モデルは、主に内部検証での AUC（曲線下面積）で選んだ。較正指標と分類指標もあわせて考慮した。最終モデルから、ウェブ上の計算ツールとノモグラムを作った。
結果：最終解析の対象は、転帰を確認できた350例である。このうち166例（47.43%）を36か月以内の死亡、184例（52.57%）を36か月を超えた生存に分類した。この割合は、選択された解析コホートにおけるイベントの構成を示すものである。集団全体での術後死亡率の推定値と解釈してはならない。LASSO で残った予測因子は6つである。T 分類、経気道散布、胸膜浸潤、Ki-67 指数、BMI、直接ビリルビンである。ランダムフォレストは、学習セットでは見かけ上完全な識別能を示した（AUC = 1.00）。しかし検証データでは0.73に下がった。検証での AUC が最も高かったのはロジスティック回帰である（AUC 0.79、95% 信頼区間 0.70〜0.87）。正解率は0.75、F1 スコアは0.73、Brier スコアは0.187であった。このため、ロジスティック回帰を最終モデルとした。
結論：最終的なロジスティック回帰モデルの内部での識別能は中等度であった。このモデルは、肺がん切除後の3年死亡リスクを探索的に推定するための、解釈しやすい枠組みとなった。ノモグラムとウェブ計算ツールにより、モデルを視覚的に示しやすくなった。ただし、解析コホートは転帰を確認できた症例に限られ、イベントが多く含まれている可能性がある。外部検証も行っていない。これらのため、絶対リスクの解釈と臨床での直接の利用には限界がある。独立した多施設・前向きの検証と、適切な再較正が必要である。
掲載誌の IF 相当：2.6（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：Liu C, Wu Y, Wang J, Lei K, Xing Y, Kang M, et al. Development and internal validation of a machine-learning model for 3-year mortality after lung cancer resection: an online risk calculator and nomogram. Front Med (Lausanne). 2026 Sep 25;13:1815915. doi:10.3389/fmed.2026.1815915; PMCID: PMC13649404.確認の範囲：全文を確認