AIとがん研究 ── 肺がん ── 2026-10-26

対象誌と選び方は索引の頁に

肺がんの治療・治験とAI

• SCLC-SBT：小細胞肺がんの病理組織画像を分類するスペクトル・双線形トランスフォーマー
  SCLC-SBT: a spectral-bilinear transformer for small cell lung cancer histopathology image classification
  Scientific Reports · 2026-10-24 · 証拠の段階: 前臨床（画像データセットでのモデル開発・性能評価）
  抄録（全訳）

  小細胞肺がん（SCLC）は、胸部の悪性腫瘍のなかでも特に致死率が高い。治療方針を決めるには、病理組織を早く正確に分類することが欠かせない。SCLC の核は、クロマチンが濃く塩胡椒状に見える点や、核が密に押し合う点など、高周波のテクスチャ特徴を示す。濃く染まったごま塩状のクロマチンや、密な核圧排（nuclear moulding）などである。既存の深層学習の手法は、この核の特徴と、組織構築にみられる長距離の空間依存性を同時に捉えにくく、分類の信頼性が限られる。そのため、分類の信頼性に限界がある。

  この課題に対して、本研究は SCLC-SBT を提案する。SCLC の病理組織画像を自動で分類する、階層型のスペクトル・双線形トランスフォーマーである。SCLC-SBT は SCLC の病理組織画像を自動分類する階層型の Spectral-Bilinear Transformer であり、最初の 3 段には再パラメータ化できる Hybrid-Conv Block（HCB）を置く。HCB は周波数領域のスペクトル・チャネル注意機構（SCA）を備え、細かな多重スケールの局所特徴を抽出する。最も深い段では、新たに考案した Dual-Branch Conv Linear Integration Transformer（DBCLIT）を使い、双線形の選択的状態空間モデルによって局所の形態と長距離依存性をあわせて捉える。DBCLIT は双線形の選択的状態空間モデルで、局所の形態と長距離依存性をあわせてモデル化する。

  評価には、正常組織と SCLC 組織のパッチ計 1,974 枚からなる 2 クラス分類のベンチマークを用いた。SCLC-SBT の正解率は 0.9697（95% 信頼区間 0.9495〜0.9865）、F1 スコアは 0.9728、AUC（ROC 曲線下面積）は 0.9971 だった。比較したモデルは DeiT、MLP-Mixer、DaViT、CAFormer など 11 種である。報告した 7 指標のうち 5 指標で、SCLC-SBT の点推定値が最も高かった。

  ブートストラップ法による信頼区間と、対ごとの McNemar 検定を行った。その結果、この優位性は 11 のベースラインのうち 5 つに対して統計的に有意と示された。残る最も強い 6 つのベースラインとの差は、有意でなかった。有意差がなかった 6 つの比較対象は、DeiT、MLP-Mixer、CAFormer、Swin-T と、同順位の PoolFormer および DaViT である。有意差の判定は、297 枚のテストセットで有意水準 α = 0.05 として行った。

  このため SCLC-SBT の精度は、既存モデルと同等からそれ以上と解釈するのが妥当である。精度と計算効率の兼ね合いは大幅に優れている。パラメータ数は約 17 M、計算量は 7.0 G FLOPs（浮動小数点演算量）で、モデルの効率も競争力を保っている。今回の結果から、スペクトル領域でのチャネル再調整と双線形の状態空間モデルの組み合わせが有効だと示された。スペクトル領域のチャネル再調整と双線形の状態空間モデルを組み合わせることは、SCLC の病理組織の特徴学習に有効な帰納バイアスとなる。

  掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）
  書誌：Liang S, Liang Y, Zheng Q, Yang J. SCLC-SBT: a spectral-bilinear transformer for small cell lung cancer histopathology image classification. Sci Rep. 2026 Oct 24 [Epub ahead of print]. doi:10.1038/s41598-026-76898-8.
  確認の範囲：抄録のみ確認

← この号の目次へ