AIとがん研究 ── 脳腫瘍 ── 2026-10-22
脳腫瘍の治療・治験とAI
- MRI-Based Machine Learning to Differentiate True Progression from Pseudoprogression in Glioblastoma: An Updated Systematic Review and Meta-Analysis.抄録（全訳）
背景：膠芽腫（グリオブラストーマ）の化学放射線療法後に、真の進行（TP）と仮性進行（PsP）を区別するのは臨床でまだ難しい。本レビューは、MRI（磁気共鳴画像法）を用いた機械学習モデルの外部検証済み診断成績を調べ、研究の質と報告の透明性も評価した。
方法：PubMed、Embase、MEDLINE、Cochrane Libraryを2025年10月1日まで検索した（PROSPERO登録番号 CRD420251144894）。対象は成人膠芽腫の研究で、MRIによる機械学習でTPとPsPを区別し、組織病理や臨床放射線学的な経過観察を基準に評価したものである。主要メタアナリシスでは、2×2データを取り出せる外部テストコホートを対象とした。内部テストの解析や、内部と外部を合わせた解析は副次的なものとした。診断精度は双変量ランダム効果モデルで統合した。
結果：画像評価を受けた患者2,344例を含む31研究が組み入れられた。患者観察219件を含む外部テストコホート7件が主要メタアナリシスに入った。統合感度は0.78（95% 信頼区間 0.63〜0.88）、特異度は0.75（95% 信頼区間 0.63〜0.84）、ROC曲線下面積（AUC）の統合値は0.81（ブートストラップ95% 信頼区間 0.69〜0.91）だった。内部テストコホートは外部コホートより見かけの成績が高かったが（AUC 0.91対0.81）、差は統計的に有意ではなかった（差 -0.09、95% 信頼区間 -0.22〜0.02、P = 0.12）。バイアスリスクは高または不明と判定されることが多く、報告の透明性はまちまちだった。
結論：MRI機械学習は、TPとPsPの判別で外部検証により中程度から良好な成績を示した。ただし外部テストコホートの小ささ、バイアス、不完全な報告が証拠の限界となる。日常診療への導入には、透明性のある大規模な多施設検証がさらに必要である。膠芽腫の化学放射線療法後にMRIで新たな異常や悪化が現れても、真の腫瘍進行の場合も仮性進行の場合もある。本レビューは、真の進行と仮性進行を区別する機械学習研究を、外部施設でテストされたモデルを重視して評価した。外部検証の診断成績は中程度から良好だったが、テストコホートの小ささ、基準の不統一、不完全な報告が制約となった。これらのモデルを日常診療で使うには、大規模な多施設研究がさらに必要である。こうした研究は、WHO 2021年の分子定義、標準化された診断基準、完全な報告を用いて実施する必要がある。
掲載誌の IF 相当：1.2（OpenAlex の直近 2 年の平均被引用数・2026-10-20 時点の値、2026-10-21 に取得。正式な IF（Clarivate）ではない）書誌：Zhang X, Guo X, Wang Y, Wagstyl K, Booth TC. MRI-Based Machine Learning to Differentiate True Progression from Pseudoprogression in Glioblastoma: An Updated Systematic Review and Meta-Analysis. Neuro-Oncology. 2026 Oct 19 [Epub ahead of print]. doi:10.1093/neuonc/noag259.確認の範囲：抄録のみ確認