AIとがん研究 ── 脳腫瘍 ── 2026-10-17

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• MRIによる髄膜腫の術前WHOグレード予測：多施設データを用いた深層学習・ラジオミクス・臨床・統合モデルの開発と比較
  MRI-based preoperative WHO grade prediction in meningioma: development and comparison of deep learning, radiomics, clinical, and combined models in multicenter data.
  Journal of neuro-oncology · 2026-10-14 · 証拠の段階: 後ろ向きの観察研究（多施設、外部検証あり）
  抄録（全訳）

  目的：頭蓋内髄膜腫の世界保健機関（WHO）グレードを術前に判定するため、相補的なMRIベースのモデルとそれらのスタッキングによる組み合わせを開発し、外部検証することである。磁気共鳴画像（MRI）に基づく互いに補完的なモデルと、それらをスタッキングで組み合わせたモデルを対象とした。

  方法：多施設の後ろ向き研究である。病理組織学的に確定した髄膜腫455例を対象とした。内訳は、4施設の開発コホート（346例）と外部コホート（109例）である。開発コホートでは、1施設ずつ除いて検証する交差検証（leave-one-center-out）を行った。4つの基本モデルは、いずれも造影T1強調MRIを用いた。1つ目は腫瘍と腫瘍周囲のラジオミクスである。2つ目はnnU-Netのセグメンテーションに基づく分類器である。3つ目は、凍結したDINOv3の転移学習特徴量を用いるモデルである。4つ目は臨床変数である。15通りの組み合わせは、すべて事前に規定した。組み合わせは、線形メタ学習器でスタッキングした。メタ学習器は、開発コホートのアウトオブフォールド予測で訓練した。凍結したモデルは、手を加えずに外部コホートで評価した。

  結果：WHOグレード2〜3の腫瘍は、全体の24.6%（112/455）を占めた（開発コホート20.5%、外部コホート37.6%）。外部コホートの曲線下面積（AUC）は、nnU-Netが0.732、DINOv3が0.703、臨床モデルが0.645、ラジオミクスが0.628だった。外部AUCが最も高かったのは、マルチモーダルアンサンブル（nnU-Net＋DINOv3＋臨床）の0.742だった。このアンサンブルはラジオミクスを上回った（ΔAUC +0.114、P = 0.008）。一方、nnU-Netとの差は有意ではなかった（ΔAUC +0.011、P = 0.737）。臨床モデルと比べると識別能は高かった。ただし、事前に定めた有意水準では有意ではなかった（ΔAUC +0.098、P = 0.050）。再分類は改善した（統合判別改善度［IDI］+0.109、P < 0.001）。ラジオミクスを含む組み合わせは、開発コホートでは高い性能を示した。しかし、外部コホートでは識別能の大半を失った。マルチモーダルアンサンブルの外部コホートでの較正スロープは1.32（Brierスコア 0.190）だった。閾値0.23以上では、マルチモーダルアンサンブルの正味の利益が既定の戦略を上回った。

  結論：マルチモーダルアンサンブルは外部AUCが最も高かったが、nnU-Netを有意には上回らなかった。単独の予測モデルのうち、ほかのデータに最もよく適用できた（移植性が高かった）のはnnU-Netだった。臨床変数を加えても識別能は改善しなかったが、特徴量ごとの寄与を解釈できるようになった。人が設計したラジオミクス特徴量は、外部データへの移植性に欠けた。

  掲載誌の IF 相当：3.2（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）
  書誌：Huryol C, Sulaimanov U, Yuce M, Sanlier N, Ozturk F, Ozturk O, et al. MRI-based preoperative WHO grade prediction in meningioma: development and comparison of deep learning, radiomics, clinical, and combined models in multicenter data. J Neurooncol. 2026 Oct 14;180(1):18. doi:10.1007/s11060-026-05827-6.
  確認の範囲：抄録のみ確認
• 生成AIによる脳腫瘍診療の前進：MRIを用いた応用の包括的レビュー
  Advancing Brain Tumor Management Using Generative AI: A Comprehensive Review of MRI-Based Applications
  Zenodo (CERN European Organization for Nuclear Research) · 2026-10-13 · 証拠の段階: システマティックレビュー（定性的統合）
  抄録（全訳）

  目的：MRIに基づく脳腫瘍の診療に生成人工知能（GenAI）がどのように組み込まれているかを、系統的にレビューすることである。あわせて、腫瘍の検出、セグメンテーション、診断、治療計画、転帰予測への影響を評価した。設定したリサーチクエスチョンは二つある。一つは、GenAIがMRIを用いた脳腫瘍診療をどの程度効果的に向上させられるかである。もう一つは、臨床応用を妨げている課題は何かである。

  方法：PRISMAガイドラインに沿って系統的文献レビューを行った。検索したデータベースは、PubMed、IEEE Xplore、ScienceDirect、SpringerLink、Web of Scienceである。2015〜2025年に発表され、脳腫瘍MRIの解析に生成モデルを適用した研究を対象とした。生成モデルとして、敵対的生成ネットワーク（GAN）、変分オートエンコーダ（VAE）、拡散モデル、トランスフォーマーに基づく手法を含めた。査読付きの研究55件からデータを抽出し、定性的に統合した。

  結果：GANを畳み込みニューラルネットワーク（CNN）やトランスフォーマーと組み合わせたハイブリッド構造では、分類精度が最高99.53%に達した。マルチモーダルMRIデータを用いたアテンションベースのセグメンテーションモデルでは、Diceスコアが0.89を超えた。GenAIは、腫瘍の検出、モダリティ間の画像合成、データ拡張、治療の個別化、生存予測に大きく貢献していた。主な課題は、データ不足、モデルの説明可能性、アルゴリズムのバイアス、前向きの臨床検証の必要性だった。

  結論：GenAIは、データの制約を補い、個別化した治療戦略を実現できる。GenAIは、データ不足を補い個別化治療を可能にすることで、神経腫瘍診療を大きく変える可能性がある。ただし、臨床応用を成功させるには、倫理面の懸念の解消、規制への準拠、マルチモーダル統合の進展が欠かせない。

  掲載誌の IF：不明（照合できず）
  書誌：[No authors listed]. Advancing Brain Tumor Management Using Generative AI: A Comprehensive Review of MRI-Based Applications. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23337543.
  確認の範囲：抄録のみ確認

← この号の目次へ