AIとがん研究 ── がん一般 ── 2026-10-17
がん一般の分子生物学の進展とAI
- Impact of Artificial Intelligence Assistance on Radiologist Performance in CT-Based Pulmonary Nodule Detection: A Systematic Review and Meta-Analysis of Detection Accuracy Studies抄録（全訳）
はじめに：肺がんは今もがん死亡の主な原因の一つである。死亡を防ぐには、コンピュータ断層撮影（CT）で肺結節を早く見つけ、経過を追うことが欠かせない。ただし CT の読影は時間がかかり、疲労による誤りも起こりうる。人工知能（AI）を放射線科医と併用すれば、肺結節をよりよく検出できる可能性がある。これにより、読影時間の短縮と診断の信頼性の向上につながる可能性がある。ただし、真陽性が常に診断される程度については、不確かだとする報告がある。AI 支援による肺結節の検出で、偽陽性率が上がったとする研究があるためである。本系統的レビューとメタアナリシスでは、AI 支援が感度と偽陽性率に与える影響を、支援なしの読影と比べて調べた。
方法：PRISMA ガイドラインに従い、Cochrane、PubMed、Medline、Embase で網羅的に文献を検索した。結節検出で AI 支援読影と放射線科医単独の読影を比べた研究を対象とした。これらの研究が追加で報告した結果は、副次評価項目の解析に用いた。バイアスのリスクとデータの質は ROBINS-1 ツールで評価した。二値アウトカムは、リスク比とリスク差を 95% 信頼区間とともに示した。連続アウトカムには、平均差と 95% 信頼区間を用いた。標準偏差の欠測値の補完については感度分析を行った。
結果：7 研究が、第二読影者（SR）モードまたは同時読影（CR）モードでの平均感度を報告していた。組み入れた研究のうち 5 件は第二読影者方式をとっていた。感度は、AI 支援時が 38%〜85.66%、支援なしが 20.9%〜73.46% だった。同時読影を報告した研究は 3 件だった。感度は AI 支援時が 80%〜84%、支援なしが 64%〜72% だった。統合解析では、AI 支援読影の感度が有意に高かった（リスク比 1.39、95% 信頼区間 1.08〜1.79、P = 0.01、I² = 95%）。スキャンあたりの偽陽性数は 5 研究が報告していた。そのうち 4 研究では、AI 支援で数値上増えていた。ただし分散の報告が不完全で、研究間の異質性もあったため、量的な統合はできなかった。AI を第二読影者として使うと読影時間は延びたが、有意ではなかった（平均差（MD）77.54、95% 信頼区間 −57.50〜212.6、P = 0.132、I² = 64.9%）。同時読影でも、AI 支援による読影時間の差は統計的に有意ではなかった（MD −11.39、95% 信頼区間 −498.7〜476.0、P = 0.816、I² = 41.3%）。
結論：AI 支援読影では、支援なしの読影より肺結節検出の感度が有意に上がる。ただし、偽陽性の増加や業務の流れの乱れとの兼ね合いはまだ分かっていない。異質性が大きく、研究数も少ないため、確定的な臨床上の推奨はできない。この結果は探索的なものとみなすべきである。肺がん検診に AI を導入するには、前向きの検証が必要である。
掲載誌の IF 相当：4.3（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：Singh V, Gunda S, Shah A, Mathew J, Ravendran K. Impact of Artificial Intelligence Assistance on Radiologist Performance in CT-Based Pulmonary Nodule Detection: A Systematic Review and Meta-Analysis of Detection Accuracy Studies. J Imaging. 2026 Oct 14;12(10):509. doi:10.3390/jimaging12100509.確認の範囲：抄録のみ確認 - Advances in artificial intelligence for brain imaging and computer-aided diagnosis of neurological diseases: a systematic literature review抄録（全訳）
背景：脳画像は、神経疾患の構造・機能・代謝・神経生理の特徴をとらえる中心的な手段である。しかし読影には、まだ制約がある。撮像条件、アノテーション、専門性、臨床状況にばらつきがあるためである。
目的：脳画像とコンピュータ支援診断に用いる最近の人工知能（AI）の手法を、系統的文献レビューで評価した。特に、手法、モダリティ、神経疾患、診断タスク、データセット、検証の実施状況、臨床への橋渡しにおける限界に着目した。
方法：PRISMA 2020 に従った。対象は、2020 年 1 月〜2026 年 6 月に出版された査読付きの英語論文とした。8 つの情報源を、データベースごとの検索語で検索した。検索語は、人工知能、神経画像、神経疾患、診断解析に関するものである。検索で 1,078 件が見つかり、重複 236 件を除いた。残った 842 件をスクリーニングし、258 件の全文を評価した。記録単位で適格性を再監査し、最終的に 123 研究を組み入れた。エビデンスの異質性が高いため、メタアナリシスは行わなかった。代わりに、叙述的な統合と記述的なマッピングでまとめた。
結果：組み入れた研究と補助的なマッピングデータでは、磁気共鳴画像（MRI）が多く見られた。CT は急性期脳卒中と頭蓋内出血でよく使われていた。陽電子放出断層撮影（PET）は、分子レベルと鑑別診断の一部の研究で用いられていた。機能的 MRI（fMRI）と拡散画像は、ネットワーク解析と白質解析に使われていた。脳波（EEG）は、神経生理学的な診断まで対象を広げていた。手法では、畳み込みニューラルネットワーク（CNN）と三次元ネットワークがよく報告されていた。注意機構、Transformer、グラフ、自己教師あり、生成、マルチモーダル、基盤モデルの手法は、最近の一部の研究に見られた。疾患では脳卒中、認知症、脳腫瘍が多かった。ただし対象集団と評価項目はばらばらで、検証に関する情報の抽出も不完全だった。そのため、疾患、モダリティ、アーキテクチャ、検証戦略の順位付けはできなかった。
結論：一部の場面では、次のような流れがエビデンスから示唆される。タスクに特化したパターン認識から、マルチモーダルで文脈を豊富に踏まえた意思決定支援へ向かう流れである。ただし、方法論の一様な優位性や臨床での成熟度を立証するものではない。確かな臨床応用には、次の要素が必要である。患者レベルのデータガバナンス、透明な報告、不確実性の推定、独立した多施設検証、前向きのワークフロー評価、臨床的に意味のある評価項目である。
掲載誌の IF 相当：3.6（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：Omarov B. Advances in artificial intelligence for brain imaging and computer-aided diagnosis of neurological diseases: a systematic literature review. Front Hum Neurosci. 2026 Oct 14;20:1963855. doi:10.3389/fnhum.2026.1963855.確認の範囲：抄録のみ確認