AIとがん研究 ── 脳腫瘍 ── 2026-10-15
脳腫瘍の治療・治験とAI
- Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework.抄録（全訳）
膠芽腫（GBM）では、治療への反応が患者によって大きく異なる。治療前の MRI から転帰を予測することは、重要なアンメットニーズである。しかし「ブラックボックス」型の深層学習（DL）モデルは透明性に欠けるため、臨床導入が進んでいない。臨床での信頼を得るには、頑健で包括的な検証の枠組みをさらに整備する必要がある。
本研究では、多層的な説明可能 AI（XAI）のパイプラインで、既存の深層学習モデルを詳しく調べた。このモデルは GBM の全生存期間を予測するように訓練したものである。第一に、モデルが画像のどこに注目しているかを定性的・定量的に解析した。第二に、入力のアブレーション研究により、モデルの特徴量への依存度を定量化した。第三に、内部表現を線形プロービングで調べた。これにより、クラス情報が読み取れるようになる層の深さをたどった。最後に、AI とその説明の臨床的影響を、多読影者・多症例研究で評価した。この研究の規模は 37 例、読影者 4 人、3 フェーズ、444 観察である。解析には一般化推定方程式（GEE）とクラスター・ブートストラップ法を用いた。
解析の結果、モデルが高信号に頼るヒューリスティックを使っていることが分かった。頭蓋辺縁の高信号ピクセルがあると、それが「長期」予測の根拠になっていた。高信号ピクセルがない場合、モデルは腫瘍の造影増強に基づき、既定で「短期」と予測した。この依存関係はアブレーション研究で確かめられた。線形プロービングも同じ方向を示した。
臨床研究では、AI の支援で専門家の正確度が有意に上がった（オッズ比 1.598、P < 0.01）。一方、専門医の確信度が人為的に高まることはなかった（P = 0.561）。重要な点として、XAI のヒートマップを加えると、専門家による AI スコアの使い方が変わった（交互作用 P < 0.01）。長期生存者と誤って判定される患者も減った。ただし、いずれも関連として示された結果である。
予測精度が高くても、その裏で低次の信号強度のヒューリスティックに頼っていることがある。顕著性マップを表面的に解釈するのは危険である。それでも、多層的に監査すればこうした近道を見つけられる。臨床面では、空間的なヒートマップは、専門家の診断精度の向上と意思決定戦略の変化に関連していた。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）書誌：Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.確認の範囲：抄録のみ確認 - MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas.抄録（全訳）
背景：成人型びまん性神経膠腫（ADG）では、CD9 の高発現が全生存期間（OS）の短さと有意に関連している。また、薬剤スクリーニング解析で、エメチンが CD9 高発現の神経膠腫に対する標的治療薬の候補として見つかっている。したがって、CD9 は神経膠腫の診断と治療を変えうる新しいバイオマーカーになる可能性がある。本研究の目的は、術前の磁気共鳴画像（MRI）から予測する人工知能モデルを作ることである。このモデルで、ADG 患者の CD9 高発現を早い段階で見分けられるようにする。
方法：The Cancer Genome Atlas（TCGA）と Chinese Glioma Genome Atlas（CGGA）のコホートから、ADG 患者 262 例の CD9 発現データを後ろ向きに集めた。術前の MRI シーケンスには、造影 T1 強調画像（CET1）と T2 強調画像（T2WI）を使った。これらの画像から、K-means クラスタリングでハビタット特徴量を抽出した。あわせてラジオミクス特徴量も抽出した。さらに、ニューラルネットワーク構造に基づき、マルチチャネルの 2.5 次元深層学習（2.5D_DL）データを構築した。ResNet101、DenseNet121、SimpleViT を用いて、DL 特徴量を抽出した。 7 種類の分類器を使い、Radiomics、Habitat、2.5D_DL の各予測モデルを個別に構築した。続いて、アンサンブル融合の手法で Stacking モデルを作り、CD9 高発現を予測した。モデルの性能は受信者操作特性（ROC）曲線で評価した。臨床上の有効性は決定曲線分析（DCA）で評価した。モデルの解釈を探るため、Shapley Additive Explanations（SHAP）解析も行った。これにより、機械学習による予測の透明性を高めた。また、Stacking モデルのスコアで患者を高リスク群と低リスク群に分けた。両群の生存の差は、Kaplan-Meier 解析と log-rank 検定で比べた。
結果：ROC 曲線下面積（AUC）は、Habitat モデルのほうが Radiomics モデルより高かった。マルチチャネル 2.5D_DL モデルの中では、SimpleViT モデルの性能がわずかに良かった。比較対象は、畳み込みニューラルネットワーク（CNN）に基づくモデル（ResnNet101 と DenseNet121）である。最終的な Stacking モデルは、Habitat、Radiomics、2.5D_DL の各モデルの出力を統合したものである。このモデルは、より高い AUC を示した。AUC は訓練セットで 0.999、検証セットで 0.822、テストセットで 0.728 だった。DeLong 検定では、訓練セットで各モデルの AUC に統計的に有意な差があった。一方、それ以外のセットでは有意な差はなかった。また DCA により、この統合モデルはより広い範囲のリスク閾値で臨床的な正味の利益が高いことが確認された。Stacking モデルで予後を層別化すると、高リスク群と低リスク群の生存転帰に有意な差があった。
結論：術前 MRI に基づく Stacking モデルは、ADG の中から CD9 高発現の患者を効果的に見分け、患者のリスクを層別化できる。このモデルは、臨床での治療方針の決定と、個別の予後評価の支えになる。ただし、予後予測の性能と一般化可能性を確かめるには、前向きの多施設データがまだ必要である。
掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）書誌：Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.確認の範囲：抄録のみ確認