AIとがん研究 ── 子宮体がん ── 2026-10-25
子宮体がんの治療・治験とAI
- Multiparametric MRI-based radiomics combined with deep learning for preoperative risk stratification of endometrial carcinoma抄録（全訳）
目的これらのモデルは、マルチパラメトリック MRI のラジオミクス特徴量と 2.5D 深層学習特徴量に基づく。
方法：後ろ向き研究で、病理学的に EC と確定した患者 246 例を対象とした。術前の臨床データと画像データを集めた。臨床データ、T2 強調画像（T2WI）、造影 T1 強調画像（CE-T1WI）を収集した。T2WI、CE-T1WI、両者の組み合わせのそれぞれに基づき、ラジオミクスモデルと深層学習モデルを構築した。続いて、マルチパラメトリックのラジオミクス特徴量、深層学習特徴量、臨床パラメータを統合したモデルを構築した。モデルの性能と臨床的な有用性は、受信者動作特性曲線下面積（AUC）、較正曲線、決定曲線分析（DCA）で評価した。モデル同士の比較には DeLong 検定を使った。モデルの判断根拠を読み取りやすくするため、Gradient-weighted Class Activation Mapping（Grad-CAM）を用いた。
結果：単変量・多変量ロジスティック回帰分析で、独立した予測因子として 4 項目が特定された。腫瘍の最大径、MR-DMI、BMI（体格指数）、ER（エストロゲン受容体）の状態である。ラジオミクス、深層学習、臨床、統合の各モデルを比べた。ラジオミクスと深層学習のいずれでも、マルチパラメトリック MRI モデルは単一シーケンスモデルより性能が高かった。検証セットで予測性能が最も高かったのは統合モデルである。AUC 0.891、正確度 0.86、感度 0.909、特異度 0.765、F1 スコア 0.896 だった。DeLong 検定では、学習セットで統合モデルの予測性能が他のすべてのモデルより高く、差は統計的に有意だった（P < 0.05）。検証セットでも、統合モデルは臨床モデルと T2+CET1-Rad モデルに比べて統計的に有意に改善していた（P < 0.05）。決定曲線分析では、統合モデルの臨床的な正味の利益が最も大きかった。
結論：マルチパラメトリック MRI のラジオミクスと 2.5D 深層学習を組み合わせると、EC のリスク層別化で良好な予測性能が得られた。この手法は、非侵襲的なツールとして有用である可能性が示唆される。また、臨床現場で EC 患者の個別化治療計画と予後評価を支える補助的手法として有望である。
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：Ouyang Y, Lin M, Cao Y, He N, Zhong X, Wu Y. Multiparametric MRI-based radiomics combined with deep learning for preoperative risk stratification of endometrial carcinoma. Front Oncol. 2026 Oct 22;16:1942153. doi:10.3389/fonc.2026.1942153.確認の範囲：抄録のみ確認