AIとがん研究 ── 肝臓がん ── 2026-10-25
肝臓がんの治療・治験とAI
- Dynamic contrast-enhanced MRI deep learning model combined with clinical model for noninvasive differentiation of hepatocellular carcinoma from mass-forming intrahepatic cholangiocarcinoma抄録（全訳）
背景と目的 本研究の目的は、肝細胞がん（HCC）と腫瘤形成型肝内胆管がん（MF-ICC）を、術前に非侵襲的に見分ける枠組みを作ることである。この枠組みでは、ダイナミック造影 MRI（DCE-MRI）に基づくマルチチャネル深層学習と臨床モデルを組み合わせる。
方法：内部開発コホートは、手術で診断が確定した患者 334 例（HCC 231 例、MF-ICC 103 例）である。これを患者単位で学習コホート（n = 233）と内部検証コホート（n = 101）に分けた。独立した外部検証コホートは 50 例（HCC 40 例、MF-ICC 10 例）である。動脈相、門脈相、遅延相の画像ごとに二次元深層学習モデルを個別に構築し、それらを融合したモデル（2D モデル）も作成した。さらに、三相の画像をチャネル方向に重ねて直接入力するマルチチャネル深層学習モデルを作った。また、多変量解析で特定した独立予測因子から臨床モデルを作った。最後に、この臨床モデルを最も性能の高い深層学習モデルと統合した。各モデルの性能を評価し、比較した。
結果：三相の画像をマルチチャネル入力として直接与えた深層学習モデルは、単一相のモデルとそれに対応する融合モデルのいずれよりも識別能が高かった（内部検証コホートで曲線下面積［AUC］= 0.814）。HCC と MF-ICC の鑑別で最も性能が高かったのは、2D＋マルチチャネル＋臨床の総合モデルである。内部検証コホートの AUC は 0.887（95% 信頼区間 0.819〜0.954）だった。外部検証コホートでもよく汎化した（AUC = 0.908、95% 信頼区間 0.811〜1.000）。ただし、多重比較の補正後は、モデル間で AUC に有意な差はなかった。
結論：臨床予測因子と DCE-MRI の多相深層学習特徴量を統合した融合モデルは、HCC と MF-ICC を術前に見分ける有用な手段となる可能性がある。
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：Zhang H, Guo L, Jia F, Liu W, Zhang M, Li F, et al. Dynamic contrast-enhanced MRI deep learning model combined with clinical model for noninvasive differentiation of hepatocellular carcinoma from mass-forming intrahepatic cholangiocarcinoma. Front Oncol. 2026 Oct 23;16:1936989. doi:10.3389/fonc.2026.1936989.確認の範囲：抄録のみ確認 - Supplemental Material for: A radio-transcriptome signature for nodule-level prediction of response to atezolizumab plus bevacizumab in hepatocellular carcinoma抄録（全訳）
はじめに：アテゾリズマブ＋ベバシズマブ（AB）療法の効果は、同じ患者でも肝細胞がん（HCC）の結節ごとに異なることがある。本研究の目的は、AB療法の効果を結節ごとに予測する非侵襲的なラジオミクス・シグネチャー（ABRad）を導き、外部検証することである。ABRad は、AB療法の効果を予測する遺伝子発現（トランスクリプトーム）シグネチャー（ABS）を、非侵襲的な画像指標に置き換えたものである。
方法：著者らはまず、IMbrave150 試験の治療前 HCC 検体 209 件で ABS を導いた。続いて GO30140 試験の 44 件で検証した。次に、外科切除した HCC の患者 59 人で、機械学習により ABS を ABRad に置き換えた。59 人には、全ゲノム規模のトランスクリプトームと切除前のコンピュータ断層撮影（CT）画像が、対でそろっていた。最後に、AB療法を受けた患者 55 人の HCC 結節 178 個で ABRad を外部検証した。
結果：148 遺伝子からなる ABS は、臨床試験コホートで治療効果と無増悪生存期間（PFS）を予測した。最終的な ABRad モデルはランダムフォレストで作った。このモデルでは造影の特徴量に大きな重みが置かれていた。外部検証コホートでは、ABRad は治療効果の程度と有意な正の関連を示した（P < 0.001）。外部検証で、完全奏効（CR）、客観的奏効（OR）、病勢制御（DC）を予測する受信者動作特性曲線下面積（AUC）は、順に 0.71（95% 信頼区間［CI］0.61–0.80）、0.65（0.56–0.73）、0.69（0.59–0.78）であった。完全奏効（CR）の予測で 0.71（95% 信頼区間 0.61〜0.80）、客観的奏効（OR）の予測で 0.65（95% 信頼区間 0.56〜0.73）であった。病勢制御（DC）の予測では 0.69（95% 信頼区間 0.59〜0.78）であった。結節ごとの ABRad は治療効果と独立に関連し、調整後オッズ比は CR で 3.05（95% CI 1.23–7.57）、OR で 2.24（1.06–4.77）、DC で 2.79（1.07–7.29）であった。調整オッズ比は CR で 3.05（95% 信頼区間 1.23〜7.57）、OR で 2.24（95% 信頼区間 1.06〜4.77）であった。DC では 2.79（95% 信頼区間 1.07〜7.29）であった。患者ごとの ABRad は、PFS の延長と有意に関連していた（P = 0.005）。
結論：ABRad により、HCC に対する AB療法の効果を結節ごとに予測できた。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Supplemental Material for: A radio-transcriptome signature for nodule-level prediction of response to atezolizumab plus bevacizumab in hepatocellular carcinoma. Figshare. [Epub ahead of print]. doi:10.6084/m9.figshare.34754340.確認の範囲：抄録のみ確認 - Ultrasound Elastography Radiomics as a Predictor of Posthepatectomy Liver Failure抄録（全訳）
目的：肝臓のせん断波エラストグラフィー（SWE）から、肝切除後肝不全（PHLF）を予測するラジオミクスモデルを作る。あわせて、その性能を従来の臨床指標と比べて評価する。
方法：後ろ向き研究である。対象は、病理で確定した肝細胞がんの患者 948 人である。病理で確認された肝細胞がんの 948 人が、2021 年 12 月〜2025 年 3 月に海軍軍医大学第三附属病院（東方肝胆外科病院）で、周術期の臨床検査と SWE を受けた。患者は 7:3 の比で、訓練コホート（n = 664）と検証コホート（n = 284）に無作為に分けた。腫瘍とその周囲の領域の SWE 画像から、ラジオミクス特徴量を抽出した。これらの特徴量と臨床変数を使い、四つのモデルを作った。構築したのは、腫瘍ラジオミクス・シグネチャー、腫瘍周囲ラジオミクス・シグネチャー、臨床、統合（ラジオミクスと臨床の特徴を組み合わせたもの）の四つのモデルである。機械学習アルゴリズムは複数用いた。アルゴリズムの比較やハイパーパラメーター調整を含むモデル選択は、すべて訓練コホート内の交差検証だけで行った。検証コホートは、独立した性能評価にのみ用いた。
結果：固定した腫瘍ラジオミクス・シグネチャーモデルの曲線下面積（AUC）は、独立した検証コホートで 0.846 であった。腫瘍周囲ラジオミクス・シグネチャーモデルの AUC は 0.824 であった。多変量ロジスティック回帰で、PHLF の独立した予測因子を五つ特定した。総タンパク、プレアルブミン、プロトロンビン時間、腫瘍周囲の弾性値、輸血である。統合モデルの AUC は、訓練コホートで 0.939、独立した検証コホートで 0.886 であった。較正曲線では、予測確率と実際の確率がよく一致した。決定曲線分析は、両コホートで臨床上の正味の利益がありうることを示唆した。
結論：肝臓の SWE にもとづくラジオミクスモデルは、PHLF の予測で有望な性能を示した。組織の弾性がリスク層別化に役立つ可能性が示唆される。この手法は、周術期のリスク評価に価値があるかもしれない。周術期のリスク評価と、管理の予備的な判断支援に役立つ可能性がある。ただし、解析は探索的なものとみなすべきである。臨床で使う前に、さらなる外部検証が必要である。
掲載誌の IF 相当：0.3（OpenAlex の直近 2 年の平均被引用数・2026-10-23 時点の値、2026-10-24 に取得。正式な IF（Clarivate）ではない）書誌：Gu Y, Ren JL, Qian Y, Chen Y, Xu J, Li Y, et al. Ultrasound Elastography Radiomics as a Predictor of Posthepatectomy Liver Failure. Hemodynamics. 2026 Oct 22 [Epub ahead of print]. doi:10.1097/hd9.0000000000000037.確認の範囲：抄録のみ確認 - Preoperative prediction of microvascular invasion in small hepatocellular carcinoma (≤ 3 cm) by leveraging cross-phase variations of MRI contrast phases抄録（全訳）
肝細胞がん（HCC）の微小血管浸潤（MVI）を手術前に非侵襲的に予測するのは、世界的にまだ難しい臨床課題である。本研究では、多相 MRI の相間で生じる特徴量の変化を数値に変換（エンコード）し、MVI の術前予測に用いた。対象は、腫瘍径 3 cm 未満の HCC で外科切除を受けた連続 115 人である（平均年齢 57.2 ± 10.7 歳、男性 95 人）。肝細胞がんで切除を受けた連続 115 人（腫瘍径 3 cm 未満）のデータを、後ろ向きに調べた。115 人全員が、術前に MR 検査を受けた。患者は無作為に、訓練コホートとテストコホートに 8:2 で分けた。動脈相・静脈相・遅延相のそれぞれで、腫瘍内の関心領域（ROI）を手作業で区切った。動脈相・静脈相・遅延相で、手動で区分した腫瘍内の関心領域（ROI）を、3 mm、5 mm、10 mm 外側へ広げた。元の ROI と広げた ROI の両方から、ラジオミクス特徴量を抽出した。次に、臨床的特徴とラジオミクス特徴量を用いて予測性能を評価した。臨床的特徴とラジオミクス特徴量を用い、五つのエンコード法と四つの機械学習分類器の組み合わせの予測性能を評価した。時間方向のエンコード法を取り入れた多相モデルは、単相モデルや臨床的特徴だけのモデルを一貫して上回った。全組み合わせのうち診断性能が最も高かったのは、フーリエ変換に着想を得た時間エンコード法と ExtraTrees 分類器の組み合わせである。最良の診断性能は、フーリエ着想の時間エンコードと ExtraTrees 分類器を、元の腫瘍 ROI に 5 mm の腫瘍周囲拡張を加えた領域に適用した場合で、AUC 0.850（95% CI 0.675–0.978）であった。曲線下面積（AUC）は 0.850（95% 信頼区間 0.675〜0.978）であった。放射線科医は日常的に、多相の造影の変化を定性的に見ている。放射線科医は相ごとの造影の変化を定性的に見ているが、今回の結果は、こうした相間の変化が定量化でき、MVI の予測力が高い情報になることを示す。この枠組みは、術前に MVI のリスクを層別化するための、有望な非侵襲的・定量的手法である。
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：Dou Y, Liu Y, Yuan W, Wu S, Yao Z. Preoperative prediction of microvascular invasion in small hepatocellular carcinoma (≤ 3 cm) by leveraging cross-phase variations of MRI contrast phases. BMC Med Imaging. 2026 Oct 22 [Epub ahead of print]. doi:10.1186/s12880-026-02984-y.確認の範囲：抄録のみ確認