AIとがん研究 ── 腎臓がん ── 2026-10-17

対象誌と選び方は索引の頁に

腎臓がんの治療・治験とAI

• 造影CT由来の細胞外容積分画を用いた解釈可能な機械学習による淡明細胞型腎細胞がんのWHO/ISUPグレードの術前予測
  Interpretable machine learning for preoperative prediction of WHO/ISUP grade in clear cell renal cell carcinoma using contrast-enhanced CT–derived extracellular volume fraction
  Frontiers in Oncology · 2026-10-13 · 証拠の段階: 後ろ向きの観察研究（2施設）
  抄録（全訳）

  目的：淡明細胞型腎細胞がん（ccRCC）で、世界保健機関/国際泌尿器病理学会（WHO/ISUP）グレードを術前に予測する機械学習（ML）モデルを開発し、検証する。淡明細胞型腎細胞がん（ccRCC）の術前WHO/ISUPグレードを予測するため、造影CT由来の細胞外容積分画（ECV）に臨床特徴と画像特徴を統合した、解釈可能な機械学習モデルを構築・検証した。 対象と方法 2施設で病理学的にccRCCと確定した患者263例の後ろ向きコホートを解析した。病院Aの患者（n=184）は、訓練コホート（n=128）と内部検証コホート（n=56）に無作為に分けた。病院Bの患者（n=79）は、独立した外部検証コホートとした。CTから、ECV、動脈相増強分率（AEF）、従来の画像特徴を抽出した。 機械学習モデルは6種類を構築した。ロジスティック回帰（LR）、eXtreme Gradient Boosting（XGBoost）、ガウシアン・ナイーブベイズ（GNB）、サポートベクターマシン（SVM）、k近傍法（KNN）、Light Gradient Boosting Machine（LightGBM）である。ブートストラップ再標本化により、最も性能のよいモデルを特定した。モデルの解釈性は、SHapley Additive exPlanations（SHAP）で評価した。

  結果：高グレードのccRCCでは、腫瘍径、ECV、AEFが有意に高かった。ヘマトクリット（HCT）は低かった。高グレードのccRCCでは、腫瘍径（低グレード4.99 ± 1.98 cm、高グレード6.20 ± 2.72 cm、P = 0.002）、ECV（0.46 ± 0.09、0.57 ± 0.12、P<0.001）、動脈相増強分画（AEF、1.37 ± 0.24、1.56 ± 0.25、P<0.001）が有意に高く、ヘマトクリット（HCT、0.41 ± 0.05、0.38 ± 0.06、P<0.001）は低かった。 - 腫瘍径：低グレード 4.99 ± 1.98 cm、高グレード 6.20 ± 2.72 cm（P = 0.002） - ECV：低グレード 0.46 ± 0.09、高グレード 0.57 ± 0.12（P < 0.001） - AEF：低グレード 1.37 ± 0.24、高グレード 1.56 ± 0.25（P < 0.001） - HCT：低グレード 0.41 ± 0.05、高グレード 0.38 ± 0.06（P < 0.001） 最適モデルはLRで、安定して高い性能を示した。曲線下面積（AUC）は次のとおりである。 - 訓練コホート：AUC = 0.995（95% 信頼区間 0.990〜0.999） - 内部検証：AUC = 0.903（95% 信頼区間 0.818〜0.988） - 外部テスト：AUC = 0.857（95% 信頼区間 0.756〜0.958） SHAP解析では、上位3つの予測因子はECV、腫瘍径、AEFであった。

  結論：CT由来のECVと画像特徴を取り入れた解釈可能なMLモデルで、ccRCCのWHO/ISUPグレードを術前に有効に予測できる。個別のリスク層別化と臨床判断に使える非侵襲的なツールとなる。

  掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）
  書誌：Wang Y, Wang Y, Bai G, Huang W, Huang M, Chen W. Interpretable machine learning for preoperative prediction of WHO/ISUP grade in clear cell renal cell carcinoma using contrast-enhanced CT–derived extracellular volume fraction. Front Oncol. 2026 Oct 13;16:1851636. doi:10.3389/fonc.2026.1851636.
  確認の範囲：抄録のみ確認
• 病理組織画像に効率的な深層学習手法を用いた腎細胞がんの自動グレード分類
  Automated grading of renal cell carcinoma using an efficient deep learning approach on histopathology images
  Discover Computing · 2026-10-13 · 証拠の段階: 前臨床（病理組織画像でのアルゴリズム開発研究）
  抄録（全訳）

  医療の分野で、腎細胞がん（RCC）は腎臓がんの中で最も多い病型である。RCCは不均一で、固有の病理組織学的特徴をもつ。病理組織スライドからRCCのグレードを判定することは、予後の推定と治療方針の決定に欠かせない。しかし、手作業での判定は労力と時間がかかる。手作業のグレード分類は労力と時間がかかり、観察者間にもともとあるばらつきへの対処も要する。

  近年、深層学習（DL）の手法は医用画像解析で大きな利点を示している。ただし、DLをRCCのグレード判定に応用するには、まだいくつかの課題がある。課題には、注釈付きのデータセットが小さいことと、複雑な病理組織学的特徴を十分に表現できるアルゴリズムが少ないことがある。

  さらに本研究では、RCCスライドをデジタル化した病理組織スキャンのデータセットを提供する。これらは病理専門医が注釈を付けたもので、モデルの訓練と試験に足りる規模がある。そこで、RCCの自動グレード分類に、提案する Dual Attention-Gated Dilated MobileNetV2（DAG-DMobileNetV2）を用いる。

  このモデルは、拡張畳み込み（dilated convolution）で受容野を広げる。解像度を落とさずに、より広い文脈を捉えるためである。これにより、微細な特徴と全体的な特徴の両方を効果的に抽出できる。また、チャネル注意機構と空間注意機構からなる二重注意機構を備える。この仕組みで、重要な領域と特徴チャネルを動的に強調できる。同時に無関係なノイズを抑え、診断上重要な領域に集中できる。さらに、MobileNetを基盤とするため効率よく動作し、リアルタイムの臨床現場への導入に適する。

  以上から、本モデルの貢献は、独自の注意モジュールと拡張畳み込みを組み合わせた点にある。これにより、RCCの4つのグレードを精確に識別できる。提案するDAG-DMobileNetV2は、分類性能と特徴表現を向上させ、計算量を減らして推論を速める。計算量も減り、推論が速くなった。さらに、DAG-DMobileNetV2の注意機構は、病理組織画像の画質のばらつきに自動的に順応するはずである。

  掲載誌の IF 相当：2.4（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：Harinath Y, Sureshbabu A. Automated grading of renal cell carcinoma using an efficient deep learning approach on histopathology images. Discov Computing. 2026 Oct 13;29(1):748. doi:10.1007/s10791-026-10616-w.
  確認の範囲：抄録のみ確認

← この号の目次へ