AIとがん研究 ── 脳腫瘍 ── 2026-10-14

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• 深層学習の万能性を問う：MRI による脳腫瘍分類での従来型機械学習と深層学習の網羅的評価
  Challenging deep learning universality: a complete evaluation of conventional machine learning and deep learning in classifying brain tumors using magnetic resonance imaging
  PeerJ Computer Science · 2026-10-12 · 証拠の段階: 後ろ向きの観察（公開画像データセットでの手法比較）
  抄録（全訳）

  背景：脳腫瘍の治療計画には、正確で迅速な分類が欠かせない。医用画像解析では、深層学習（DL）が主流になっている。一方、古典的な機械学習（ML）を扱った研究は少ない。ここでいう古典的 ML とは、中規模のデータセットで、人が設計した特徴量（ハンドクラフト特徴量）を使う方法である。

  目的：本研究では、脳腫瘍の分類で古典的 ML と DL を比べる方法を提案する。比較はどちらの手法にも偏らない形で行い、新たに考えた多領域特徴量の枠組みを使う。精度・効率・臨床での使いやすさの釣り合いが最もよい手法を特定することがねらいである。

  方法：Kaggle の脳腫瘍磁気共鳴画像（MRI）データセットを用いた。画像は 7,023 枚で、内訳は神経膠腫 1,621、髄膜腫 1,645、腫瘍なし 2,000、下垂体腫瘍 1,757 である。 特徴量は 9 つの領域から抽出した。Gabor フィルタ、局所二値パターン（LBP）、濃度共起行列（GLCM）、離散ウェーブレット変換（DWT）、離散コサイン変換（DCT）、形態、統計、勾配、輝度である。これで得た 289 個の特徴量を、分散分析（ANOVA）の F 検定による SelectKBest で 150 個に絞った。 検証したモデルは 16 種類である。ML は次の 8 種である。 - 放射基底関数カーネルのサポートベクターマシン（SVM-RBF） - ランダムフォレスト - 勾配ブースティング - Extra Trees - AdaBoost - k 近傍法 - ロジスティック回帰 - 線形判別分析 DL も 8 種である。 - 深層多層パーセプトロン（Deep MLP） - 1 次元畳み込みニューラルネットワーク（1D-CNN） - 双方向長短期記憶（Bi-LSTM） - ゲート付き回帰ユニット（GRU） - 畳み込みニューラルネットワークと長短期記憶の組み合わせ（CNN-LSTM） - ResNet 型 - DenseNet 型 - オートエンコーダ 有意性は Wilcoxon 符号付き順位検定で評価した。あわせて次の解析を行った。 - SHAP（Shapley Additive explanations）と LIME（Local Interpretable Model-agnostic Explanations）による説明 - アブレーション（単一領域、段階的、1 領域ずつ除く leave-one-out（LOO）） - データ量に対する感度の分析 - ImageNet での転移学習との比較

  結果：SVM-RBF の成績は、正解率 96.80 ± 0.68%、適合率 96.73%、再現率 96.63%、F1 96.65% であった。受信者操作特性曲線下面積（ROC-AUC）は 99.63% であった。Cohen の κ と Matthews 相関係数は、ともに 0.957 であった。SVM-RBF は 8 種の DL モデルのすべてを上回った（P ≤ 0.0039）。 DenseNet 型と ResNet 型も、同じハンドクラフト特徴量で学習させた。正解率はそれぞれ 94.86 ± 0.76% と 93.95 ± 0.82% であった。 ML の平均（92.78 ± 3.06%）は DL の平均（89.92 ± 4.50%）を上回った（P = 0.0020）。学習時間も ML のほうが短かった（21.12 秒 対 166.62 秒、P = 0.0020）。 クラスごとの再現率は 93.2〜99.0% であった。最も影響の大きい特徴量領域は Gabor であった。Gabor 単独では 94.85% で、SHAP 値は 0.122 であった。LOO で Gabor を除くと −1.25% 低下した（P < 0.001）。

  結論：多領域のハンドクラフト特徴量を使う古典的 ML は、8 種の DL のすべてを上回り、学習時間も短かった。この結果は、医用画像で DL がどこでも通用するという前提を問い直すものである。 また、この枠組みを使うと、生画像での転移学習より DL の正解率が 1〜16 ポイント上がった。設計した特徴量は、ML と DL のどちらにも役立つことが分かった。 この手法は解釈性が高く（SHAP、LIME）、必要な計算資源も少ない。そのため、資源の限られた環境での臨床導入に適している。

  掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-14 に取得。正式な IF（Clarivate）ではない）
  書誌：Sethuraman R, Pandiarajan GS, Sadagopan P. Challenging deep learning universality: a complete evaluation of conventional machine learning and deep learning in classifying brain tumors using magnetic resonance imaging. PeerJ Computer Science. 2026 Oct 12;12:e4106. doi:10.7717/peerj-cs.4106.
  確認の範囲：抄録のみ確認

← この号の目次へ