AIとがん研究 ── 腎臓がん ── 2026-10-18

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 に基づく深層学習とハビタット・ラジオミクスによる小径腎細胞がんの病理組織型の鑑別
  Deep learning and habitat radiomics based on contrast-enhanced CT for differentiating pathological subtypes of small renal cell carcinoma
  BMC Urology · 2026-10-15 · 証拠の段階: 後ろ向きの観察（143 例、内部検証のみ）
  抄録（全訳）

  小径腎細胞がん（sRCC）でよくみられる病理組織型を、術前に鑑別するためのモデルを 4 つ作った。深層学習モデル、腫瘍周囲ラジオミクスモデル、ハビタット・ラジオミクスモデル、従来の臨床・画像モデルである。本研究では、これらのモデルを構築し、その有用性を検討することを目的とした。

  病理学的に sRCC と確定した 143 例を、後ろ向きに組み入れた。内訳は、淡明細胞型 RCC 92 例、非淡明細胞型 RCC 51 例である。患者は 7:3 の比で、訓練群（n = 101）と検証群（n = 42）に無作為に分けた。解析には皮髄相の画像を用いた。腫瘍の関心領域（ROI）は、ITK-SNAP で手作業により描出した。腫瘍周囲の ROI は、腫瘍の ROI を一律に 2 mm 拡張して作成した。腫瘍内 ROI には、局所特徴に基づく教師なし K-means クラスタリングを行い、腫瘍内の亜領域を特定した。亜領域の最適な数は、シルエット係数が最大になる値で決めた。ラジオミクス特徴は、腫瘍周囲領域と各亜領域から抽出した。

  腫瘍の最大断面を取得した。続いて転移学習として、ImageNet データセットで事前学習したパラメータで ResNet18 モデルを初期化した。そのうえで、深層転移学習特徴を抽出した。特徴選択と次元削減には、最大関連・最小冗長（mRMR）アルゴリズムと LASSO（least absolute shrinkage and selection operator）法を用いた。その際、訓練群の中で交差検証を行った。独立した臨床予測因子は、単変量・多変量ロジスティック回帰分析で特定した。これらの臨床予測因子と選んだ特徴をもとに、臨床・腫瘍周囲・ハビタット・深層学習の各モデルを作った。最も性能の高いモデルに独立臨床予測因子を組み合わせ、統合モデルを作った。モデルの性能は、曲線下面積（AUC）、正確度、感度、特異度で評価した。臨床的な有用性は、決定曲線分析で評価した。

  最適なクラスタ数は 3 であった。ロジスティック回帰分析で、嚢胞・壊死領域と造影増強の特徴が独立した臨床予測因子として特定された。最終的に選んだ特徴は、腫瘍周囲ラジオミクス特徴 8 個、ハビタット・ラジオミクス特徴 12 個、深層学習特徴 7 個である。

  深層学習モデルの AUC は、訓練群で 0.960（95% 信頼区間 0.927〜0.993）、検証群で 0.968（95% 信頼区間 0.926〜1.000）であった。深層学習モデルの性能は、次の 3 つのモデルを上回った。

  - 臨床モデル：訓練群 0.798（95% 信頼区間 0.714〜0.883）、検証群 0.794（95% 信頼区間 0.647〜0.940）

  - 腫瘍周囲モデル：訓練群 0.885（95% 信頼区間 0.815〜0.955）、検証群 0.886（95% 信頼区間 0.776〜0.997）

  - ハビタットモデル：訓練群 0.951（95% 信頼区間 0.904〜0.998）、検証群 0.943（95% 信頼区間 0.881〜1.000）

  深層学習モデルと臨床モデルを統合した統合モデルでは、性能がさらに向上した。AUC は訓練群で 0.968（95% 信頼区間 0.939〜0.997）、検証群で 0.973（95% 信頼区間 0.934〜1.000）であった。決定曲線分析では、統合モデルの正味の利益が最も大きかった。

  造影 CT に基づくラジオミクスモデルと深層学習モデルで、sRCC の組織型を非侵襲的かつ効果的に鑑別できた。ハビタット・ラジオミクスは腫瘍内の不均一性をとらえられ、良好な診断性能を示す。一方、識別能は深層学習のほうが優れている。これらの手法は、術前の意思決定を助ける可能性がある。ただし、より大規模な外部コホートでのさらなる検証が必要である。

  掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-16 時点の値、2026-10-17 に取得。正式な IF（Clarivate）ではない）
  書誌：Liu Q, Wang Y, Duan B, Liu M, Ye Y, Tang Q, et al. Deep learning and habitat radiomics based on contrast-enhanced CT for differentiating pathological subtypes of small renal cell carcinoma. BMC Urol. 2026 Oct 15 [Epub ahead of print]. doi:10.1186/s12894-026-02417-6.
  確認の範囲：抄録のみ確認
• 腫瘍と腎周囲脂肪の特徴を統合した CT ベースのマルチモーダル・ラジオゲノミクスモデルによる淡明細胞型腎細胞がんの予後予測
  CT-based multimodal radiogenomic model integrating tumor and perirenal fat features for prognosis in clear cell renal cell carcinoma
  BMC Medical Imaging · 2026-10-15 · 証拠の段階: 後ろ向きの観察研究（予後予測モデルの開発と独立コホートでの検証）
  抄録（全訳）

  淡明細胞型腎細胞がん（ccRCC）は腎細胞がんで最も多い組織型で、全体の 60%〜85% を占める。淡明細胞型腎細胞がん（ccRCC）は腎細胞がんで最も多い組織型（60〜85%）だが、TNM 分類に基づくリスク層別化は十分でなく、術後補助の分子標的療法も精度に限りがある。TNM 分類によるリスク層別化は十分でない。術後補助の分子標的療法も、効く患者を見分ける精度が低い。生存の上乗せは 5.4%〜10.5% にとどまり、過剰治療のおそれもある。腎周囲脂肪は、体積と密度を介して ccRCC の予後と関連する。ただし、腎周囲脂肪をラジオゲノミクス（腫瘍の分子的特徴）と組み合わせ、予後を総合的に評価した研究はまだ少ない。

  切除可能な ccRCC 患者を対象に、後ろ向きに解析した。対象は、術前に造影 CT を撮影し、エクソームシーケンスのデータが得られた患者である。訓練コホートは西京医院（Xijing Hospital）の 226 例とした。テストコホートは公開データベース TCIA/TCGA の 134 例とした。3D Slicer と PyRadiomics を使い、CT から腫瘍と腎周囲脂肪のラジオミクス特徴量を抽出した。これをもとに、LASSO 回帰とステップワイズ法の Cox 回帰でスコアを作った。遺伝子スコアは、639 個のがん関連遺伝子（変異の多い上位 20 遺伝子）から作った。臨床スコアは TNM 病期などから作った。どちらも Cox 回帰で構築した。これらのスコアを統合し、マルチモーダルのノモグラムを作った。ノモグラムは C 指数、時間依存の曲線下面積（AUC）、SHAP 解析（各特徴量の予測への寄与をみる手法）で検証した。

  ノモグラムの性能は、単一モダリティのスコアをいずれも上回った。C 指数は訓練コホートで 0.856、テストコホートで 0.859 だった。無増悪生存期間（PFS）の 1〜5 年の時間依存 AUC も、一貫して高かった。SHAP 解析では、腫瘍スコア、腎周囲脂肪スコア、TP53 変異、グレード G4 が主な寄与因子と特定された。腫瘍スコア、腎周囲脂肪スコア、TP53 変異、グレード G4 である。複数の機械学習アルゴリズムを使い、予後予測に役立つ 4 遺伝子を予測した。さらに、マルチモーダルデータの中でこれらの遺伝子の相関を解析した。サブグループ解析でも、リスク層別化が頑健であることを確認した。

  分子標的療法のリスク差率が 47% 以上の患者では、治療を受けた方が PFS が長かった（ハザード比 0.545、P = 0.038）。一方、10% 未満の患者では、治療を受けない方が経過が良かった（ハザード比 2.051、P = 0.035）。高リスクのサブグループでも同様の傾向がみられた。分子標的療法に関する解析は探索的なもので、前向きの検証が必要である。

  この CT ベースのマルチモーダル・ノモグラムは、ラジオミクス、ゲノム、臨床のデータを統合している。この CT ベースのマルチモーダル・ノモグラムは、ラジオミクス、ゲノム、臨床のデータを統合し、ccRCC を複数のスケールで特徴づける。術後補助の分子標的療法で生存上の利益を得られる可能性のある患者を選ぶ際の、補助的な参考になる。これにより、過剰治療と過少治療を減らせる。

  掲載誌の IF 相当：3.8（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：Zhang YF, Ji YH, Wen DD, Liu C, Shi PW, Hou HZ, et al. CT-based multimodal radiogenomic model integrating tumor and perirenal fat features for prognosis in clear cell renal cell carcinoma. BMC Med Imaging. 2026 Oct 15 [Epub ahead of print]. doi:10.1186/s12880-026-02920-0.
  確認の範囲：抄録のみ確認

← この号の目次へ