AIとがん研究 ── 脳腫瘍 ── 2026-10-30

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• 治療途中の MRI と深層学習による膠芽腫再発のピクセル単位予測
  Pixel-Wise Prediction of Glioblastoma Recurrence Using Mid-Treatment MRI and Deep Learning
  Cancers · 2026-10-27 · 証拠の段階: 観察研究（画像データによるモデル開発と保留テストセットでの検証）
  抄録（全訳）

  序論：膠芽腫（GBM）は、もとの肉眼的腫瘍体積（GTV）の近くで再発することが多い。このことから、画像で進行が見える前から、治療抵抗性の部分領域があることが示唆される。本研究では、見かけの拡散係数（ADC）マップに深層学習を使い、GTV 内の治療抵抗性領域の確率マップをピクセル単位で作れるかを調べた。

  方法：訓練・検証セットには、自施設の患者 64 例について放射線照射 10 回目（Fx10）後の画像を含めた。これに、外部の患者 40 例の治療前の画像を、ドメインの異なる補助的な訓練コホートとして加えた。保留したテストセットは、自施設の Fx10 患者 16 例である。抵抗性領域は、照射 10 回目に撮像したスキャンの GTV と、治療終了後の再発が重なる部分と定義した。モデルは GTV を切り出した 2D スライスで訓練した。データ漏洩を防ぐため、データは患者単位で分けた。MRI 入力は単一モダリティと複数モダリティで比べ、その後 ADC に基づくモデルを評価した。評価したのは、ベースラインの UNet、事前学習済み ResNet34、BiomedCLIP 支援 UNet、BLIP 画像–テキスト UNet である。性能は ROC AUC、PR AUC、F1 スコア、再現率、特異度、適合率などの一般的な指標で評価した。

  結果：単一モダリティでは ADC の情報量が最も多かった。受信者動作特性（ROC）曲線下面積（AUC）は 69%、適合率–再現率（PR）曲線の AUC は 80% だった。ADC に基づくアーキテクチャの比較では、すべての指標で一貫して優れたモデルはなかった。ベースラインの UNet は、正解率、F1 スコア、再現率が最も高かった。一方、事前学習済みの ResNet34 と BLIP 支援モデルでは、ROC AUC がベースラインの UNet をわずかに上回った（いずれも 70%）。誤差解析では、抵抗性領域が小さいかまばらな場合に、性能が大きく下がった。偽陰性は、抵抗性領域と GTV の境界付近に多かった。

  結論：ADC を使った深層学習で、GTV 内にある膠芽腫の治療抵抗性領域をピクセル単位でマッピングできる可能性が示された。ゼロから訓練した UNet は、感度と F1 のバランスが最もよかった。事前学習済みモデルや視覚言語モデル（VLM）支援モデルの利点は、特定の指標に限られた。細かい空間的セグメンテーションの性能では、BiomedCLIP 支援 UNet も BLIP 画像–テキスト UNet も、ベースラインの UNet を明確には上回らなかった。

  掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）
  書誌：Rezvanjou S, Osapoetra LO, Moore-Palhares D, Lawrence LSP, Lau AZ, Sahgal A, et al. Pixel-Wise Prediction of Glioblastoma Recurrence Using Mid-Treatment MRI and Deep Learning. Cancers. 2026 Oct 27;18(21):3465. doi:10.3390/cancers18213465.
  確認の範囲：抄録のみ確認
• 神経膠腫 MRI の基盤モデル：臨床応用と臨床実装への準備度に関する系統的スコーピングレビュー
  Foundation Models for Glioma MRI: A Systematic Scoping Review of Clinical Applications and Translational Readiness
  Brain Sciences · 2026-10-26 · 証拠の段階: 系統的スコーピングレビュー
  抄録（全訳）

  背景・目的：神経膠腫の診断では、磁気共鳴画像（MRI）、分子特性、臨床情報を統合することがますます重要になっている。基盤モデルは、転用できる表現学習とマルチモーダル統合によって、AI 支援診断を支えうる。ただし、臨床使用を支持するエビデンスはまだ断片的である。本スコーピングレビューでは、神経膠腫の神経画像における基盤モデルの現在の応用を整理した。あわせて、腫瘍の輪郭描出、分子特性の評価、マルチモーダル診断支援、臨床応用との関連を評価した。PRISMA-ScR の原則に沿って、6 つの文献情報源を 2026 年 7 月 26 日まで検索した。適格な記録は、次の観点で分類した：モデルの系統、事前学習と適応の戦略、画像の用途、マルチモーダル統合、検証デザイン、臨床的関連性。特定した記録は 3688 件で、重複除去後に 2071 件が残った。525 件で詳細な適格性評価を行い、125 件を組み入れた。エビデンスは次の分野に集中していた。プロンプト可能なセグメンテーション（n = 47）、再利用可能な脳 MRI 表現（n = 26）、視覚言語モデルと言語モデルの応用（n = 22）、分子分類と予後予測（n = 16）、臨床への橋渡しやガバナンスの研究（n = 14）である。基盤モデルには、腫瘍の輪郭描出、再利用可能な表現学習、分子表現型の予測、マルチモーダル診断支援に役立つ可能性が示された。しかし、独立した外部検証はまだ少ない。画像の不均一性や欠損シーケンスへの頑健性、較正（キャリブレーション）、ワークフローでの前向き評価も、まだ限られている。基盤モデルは、AI 支援による神経膠腫診断で有望な能力をもつ。なかでも、セグメンテーション、再利用可能な MRI 表現学習、分子特性の評価、マルチモーダル支援で有望である。それでも、現在のエビデンスは日常診療への導入には不十分である。今後の研究では、次の点を優先すべきである：多施設での検証、標準化された評価、不確実性の評価、診断とワークフローでの有用性に関する前向き研究。

  掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）
  書誌：Yu Y, Zhang P, Xia C, Ma X, Xie F. Foundation Models for Glioma MRI: A Systematic Scoping Review of Clinical Applications and Translational Readiness. Brain Sci. 2026 Oct 26;16(11):1159. doi:10.3390/brainsci16111159.
  確認の範囲：抄録のみ確認

← この号の目次へ