AIとがん研究 ── 乳がん ── 2026-10-15

対象誌と選び方は索引の頁に

乳がんの治療・治験とAI

• HCF-Net：ダイナミック造影MRIで乳がんの分子サブタイプを術前に分類する、臨床の治療経路に沿った階層的カスケード融合ネットワーク
  HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI.
  Journal of imaging informatics in medicine · 2026-10-13 · 証拠の段階: 後ろ向きの観察（2施設のデータで開発し、独立テストセットで検証）
  抄録（全訳）

  乳がんの分子サブタイプを術前に分類することは、治療の選択と予後の評価に欠かせない。ところが、多くの深層学習手法はサブタイプ予測を通常の平坦な多クラス分類として扱う。そのため、臨床で順を追って判断していく過程が反映されていない。

  本研究では、階層的カスケード融合ネットワークのHCF-Netを開発した。サブタイプ予測を、臨床判断に沿った三つの二値判断ノードに分解する。さらに、多相のダイナミック造影MRI（DCE-MRI）と臨床・放射線学的情報を統合する。モデルの開発と検証は、後ろ向きに行った。対象は、術前に3.0 Tの多相DCE-MRIを受けた2施設の女性373例である。

  独立したテストセット（n = 75）での成績は次のとおりであった。Macro-AUCは0.868（95% 信頼区間 0.806〜0.923）、正解率は73.3%、Macro-F1は0.732、Cohenのκは0.631であった。融合モデルは、三つの階層的判断ノードのすべてで一貫して最も高いAUCを示した。ルミナル型と非ルミナル型の判別で0.890、Luminal AとLuminal Bで0.865、HER2-enrichedとトリプルネガティブで0.974であった。バックボーンをConvNeXt-Tinyにしても、分類戦略の性能の順位は同じであった。従来の平坦な分類戦略と比べ、階層的カスケード分解と判断レベルでの融合で性能が大きく向上した。

  これらの結果から、臨床の意思決定の経路に沿った階層的な融合の枠組みが、術前の乳がん分子サブタイプ予測において、有効で解釈可能な手法となりうることが示唆される。臨床判断の経路に沿った階層的融合の枠組みは、乳がんの分子サブタイプの術前予測で、有効かつ解釈可能な手法となりうる。

  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：Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.
  確認の範囲：抄録のみ確認
• 腫瘍内のハビタットからハビタット間の解析へ：乳房ダイナミック造影MRIで腋窩リンパ節転移を予測する空間構造特徴
  From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI.
  Journal of imaging informatics in medicine · 2026-10-13 · 証拠の段階: 後ろ向きの観察（多施設、外部テストセットで検証）
  抄録（全訳）

  ハビタット・ラジオミクスでは、腫瘍の亜領域ごとのテクスチャを特徴づける。しかし、亜領域どうしの空間的な関係は考慮されない。本研究では景観生態学に着想を得て、ダイナミック造影MRI（DCE-MRI）でハビタット間の空間構造を定量化する枠組みを開発した。評価課題としては、腋窩リンパ節転移（ALNM）の予測を用いた。この課題で、ハビタット内ラジオミクスと併用した場合の補完的な価値を評価した。あわせて、早期融合と後期融合を比較した。

  この研究は多施設の後ろ向き研究である。1施設の284例を、訓練コホート（n = 198）と検証コホート（n = 86）に無作為に分けた。別の独立した施設の120例は外部テストセットとした。腫瘍は、ボクセル単位の19のテクスチャ記述子をk-means法でクラスタリングし、六つのハビタットに分けた。クラスタ中心は訓練コホートだけから求めた。

  特徴量は三つの領域で構成した。臨床パラメータ8個、ハビタット内ラジオミクス特徴642個、ハビタット間空間構造特徴94個である。空間構造特徴の内訳は、断片化（n = 30）、形態（n = 24）、ハビタット間の接触（n = 15）、ハビタット間の距離（n = 15）、面積比（n = 6）、多様性（n = 4）である。

  外部テストセットでは、特徴を段階的に融合するたびにAUCが上がった。臨床のみで0.754、ハビタット内ラジオミクスを加えて0.843、さらにハビタット間空間構造を加えて0.863（95% 信頼区間 0.792〜0.934）であった。全特徴を早期融合したモデルのAUCは、臨床のみのモデル（DeLong検定 P = 0.011）と空間構造のみのモデル（P = 0.044）より高かった。早期融合のAUCは後期融合より数値上は高かったが、有意差には達しなかった（0.863 対 0.851、P = 0.636）。単一の画像領域だけを使う二つのモデルの間には、統計的な差がなかった（0.817 対 0.784、P = 0.512）。

  ハビタット間の空間構造は、従来のハビタット・ラジオミクスが見落としてきた腫瘍の組織構造をとらえる。術前のALNM予測で補完的な情報をもたらす。

  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：Liu P, Wang P, Zou X, Zhang Q, Wang W. From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.
  確認の範囲：抄録のみ確認

← この号の目次へ