AIとがん研究 ── 前立腺がん ── 2026-10-18

対象誌と選び方は索引の頁に

前立腺がんの治療・治験とAI

• 前立腺がん患者の CT 画像での骨・リンパ節・局所病変の自動分類の検討
  Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients.
  Journal of imaging informatics in medicine · 2026-10-16 · 証拠の段階: 後ろ向きの観察（既存画像データを用いたモデル開発と外部テスト）
  抄録（全訳）

  前立腺がん（PCa）の治療計画を立てるには、病変の種類を正確に評価することが欠かせない。コンピュータ断層撮影（CT）や陽電子放出断層撮影（PET）/CT を撮った後、医師は病変を検出し、解剖学的な部位で分類する。この作業には多くの時間がかかる。

  新しい画像解析アプリケーションの開発を後押しするため、CT 画像で前立腺がんの病変を自動分類できるかを検討した。分類先は骨転移、リンパ節転移、局所病変、その他の前立腺がん病変である。分類には機械学習（ML）モデルと深層学習モデルを使った。

  532 例の前立腺がん患者の 18F-PSMA PET/CT 画像からなる非公開データセットで、計 4949 病変に種類を注釈した。データは二つある。一つは前立腺がん患者 532 例の 18F-前立腺特異的膜抗原（PSMA）PET/CT 画像で、非公開のデータセットである。外部テストセットには、公開されている 30 例の PSMA PET/CT 画像を用いた。

  検出した病変の座標情報を使い、病変ごとに 15 種類の特徴量を自動で抽出した。抽出元は、CT 画像と、三次元の解剖学的自動セグメンテーションツール TotalSegmentator の結果である。これらの特徴量で従来型の ML モデルを複数学習させ、病変を解剖学的な種類で分類した。さらに、CT と TotalSegmentator の出力を入力として、次元の異なる畳み込みニューラルネットワーク（CNN）も試した。

  最も精度が高かったのは XGBoost で、全体の正解率は 96.0% であった。主データの 5 分割交差検証では、骨転移、リンパ節転移、局所病変の感度はそれぞれ 97.9±1.2%、95.2±1.3%、93.1±2.8% であった。外部テストセットでは、それぞれ 96.3%、94.0%、80.0% であった。一方、局所病変の判別では、CNN は最良の ML モデルに及ばなかった。

  結論として、単純な ML モデルでも、前立腺がんの病変を骨・リンパ節・局所病変に正確に分類できる。分類には、CT 画像、病変の位置、自動の解剖学的セグメンテーションのデータを用いた。ただし、これら以外の種類の病変を判別するには、さらに研究が必要である。

  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：Rainio O, Vehmanen A, Li A, Jaakkola MK, Kemppainen J, Klén R. Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients. J Digit Imaging Inform med. 2026 Oct 16 [Epub ahead of print]. doi:10.1007/s10278-026-02402-3.
  確認の範囲：抄録のみ確認
• PSMA 標的放射性医薬品療法の生存予後を予測するマルチモーダル視覚質問応答システム
  Multimodal Visual Question Answering System for Survival Prognosis in PSMA-Targeted Radiopharmaceutical Therapy
  Journal of Nuclear Medicine · 2026-10-15 · 証拠の段階: 後ろ向きの観察（2 施設共同、概念実証、外部検証あり）
  抄録（全訳）

  大規模言語モデルは臨床意思決定支援への応用が大いに期待されている。しかし、一般に医用画像は扱えない。そこで視覚言語モデルが提案されてきた。ただし、その性能を示すエビデンスはまだ少なく、従来の機械学習と比べたデータはとくに少ない。前立腺特異的膜抗原（PSMA）を標的とする放射性医薬品療法は、転移性去勢抵抗性前立腺がん（mCRPC）の治療として確立している。しかし、どの患者が長期にわたり良好に反応するかは、まだ分かっていない。 そこで本研究は、医師の評価に着想を得た視覚質問応答（VQA）フレームワークを提案する。日常診療では、PSMA を標的とした画像と臨床データを決まった手順で統合して評価する。このフレームワークはその手順をまね、全生存期間を予測する。

  方法：概念実証として、2 つの大学医療機関で多施設の後ろ向き研究を行った。対象は mCRPC 患者 110 例で、[177Lu]Lu-PSMA I&T または [177Lu]Lu-PSMA-617 で治療を受けた。VQA の手法は、3 次元画像エンコーダ、領域特化型の言語モデル RadBERT、クロスモーダル Transformer からなる。入力は、ベースラインと中間時点（2 サイクル後）の PET 画像と単一光子放射断層撮影（SPECT）画像、臨床データ、臨床上の質問である。モデルは 24 か月生存を予測するよう学習させ、性能を最先端の手法と比較した。外部検証には [177Lu]Lu-PSMA-617 のコホートを使った。

  結果：VQA モデルは、すべての最先端手法を上回った。正解率は、質問を使わない注意機構型のマルチモーダル融合モデルと同程度であった。SPECT または PET 画像に前立腺特異抗原の測定値を組み合わせると、正解率は 81.8%（95% 信頼区間 0.52〜0.95）であった。外部検証では、少数ショットのファインチューニング後の正解率は 71.9%（95% 信頼区間 0.53〜0.86）であった。生存の層別化では、VQA はすべての最先端手法をさらに上回った。予測した生存分布は実際の生存分布に最も近く、有意差はなかった（ログランク検定、P = 0.76）。受信者動作特性解析では、曲線下面積が評価したモデルのなかで最も高かった（0.75）。これらの結果から、VQA の手法は PSMA リガンドが異なっても適応できると示唆された。一方、全生存期間の予後予測性能は、わずかに向上しつつも他の手法と同程度に保たれた。

  結論：医師の評価の流れを取り入れた VQA フレームワークは、画像と検査データを統合する臨床判断支援で、従来の機械学習より優れた点を示した。臨床意思決定支援で画像と検査データを統合する点で、従来の機械学習より優れた点がある。これは予備的な結果である。それでも、VQA に基づく手法は今後評価する価値がある。予備的な結果から、PSMA 放射性医薬品療法を受ける mCRPC 患者の生存予後予測について、VQA に基づく手法は今後の評価に値する。

  掲載誌の IF 相当：6.9（OpenAlex の直近 2 年の平均被引用数・2026-10-17 時点の値、2026-10-18 に取得。正式な IF（Clarivate）ではない）
  書誌：Kassar M, Hu J, Rauscher I, Gomes CV, Wendler T, Ziegler S, et al. Multimodal Visual Question Answering System for Survival Prognosis in PSMA-Targeted Radiopharmaceutical Therapy. J Nucl Med. 2026 Oct 15 [Epub ahead of print]. doi:10.2967/jnumed.125.271912.
  確認の範囲：抄録のみ確認

← この号の目次へ