AIとがん研究 ── 脳腫瘍 ── 2026-10-31
脳腫瘍の治療・治験とAI
- Craniopharyngioma.AI: An Explainable Ensemble Learning Framework for Personalized Craniopharyngioma Outcome Prediction抄録（全訳）
序論：頭蓋咽頭腫は、トルコ鞍・鞍上部に生じるまれな腫瘍である。術後の長期的な合併症には、永続性尿崩症（DI）や腫瘍再発がある。既存の臨床ツールでは、個々の患者に合わせた予後予測に限界がある。本研究では、頭蓋咽頭腫手術の術後転帰について仮説を立てるパイロット版の人工知能（AI）プラットフォームを示す。
方法：2008〜2023年に単一施設で外科的切除を受け、組織学的に確定した頭蓋咽頭腫の患者を後ろ向きに解析した。臨床・画像・術中の特徴量（腫瘍の寸法、体積、脳室内進展、手術アプローチ、切除範囲など）を機械学習アルゴリズムでモデル化した。統一したアンサンブルのパイプラインを用い、永続性DIと腫瘍再発を予測した。特徴量には、腫瘍の寸法、体積、脳室内進展、手術アプローチ、切除範囲などを含めた。説明可能AIによる解釈にはShapley Additive Explanations（SHAP）を用い、個々の特徴量の寄与を定量した。その結果をFastAPIで動くウェブアプリケーションに組み込み、対話的に予測できるようにした。
結果：59例を層化交差検証によるモデル学習に用いた。このうち永続性DIが65.5%に発生し、腫瘍再発が28.8%で記録された。永続性DIの予測で最も性能が高かったのは、RidgeとCatboostを混合したアンサンブルであった（曲線下面積（AUC）0.77±0.05、F1 0.81±0.04）。再発の予測には、Naïve BayesとCatboostを混合したアンサンブルを選んだ（AUC 0.78±0.12、F1 0.67±0.15）。SHAPによる特徴量の順位付けでは、DIと再発の最も強い予測因子は、術前の体格指数（BMI）、年齢、内分泌または視覚の機能障害であった。手術アプローチと術後のBMI変化も、DIリスクをさらに左右した。アプリはtinyurl.com/craniopharyngiomasで利用できる。
結論：小規模な単一施設のこのコホートでは、アンサンブル学習とモデルの調整が精度と識別能の安定に役立った。この探索的な予後予測AIプロトタイプは、いずれ頭蓋底腫瘍学でデータに基づくリスク評価を支援する可能性がある。
掲載誌の IF 相当：0.1（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）書誌：Babel S, Patel A, Parasher A, Tabor M, Agazzi S, van Loveren H, et al. Craniopharyngioma.AI: An Explainable Ensemble Learning Framework for Personalized Craniopharyngioma Outcome Prediction. J Neurol Surg B Skull Base. 2026 Oct 29 [Epub ahead of print]. doi:10.1055/a-2992-8671.確認の範囲：抄録のみ確認 - Ki-67/p53-associated angiogenic heterogeneity for preoperative WHO grading of meningiomas: a spatial habitat radiomics study.抄録（全訳）
目的：髄膜腫のWHOグレードを術前に予測する分類モデルを開発し、検証することを目的とした。このモデルは空間ハビタット・ラジオミクスに基づくもので、Ki-67とp53というバイオマーカーで説明できる。
方法：単一施設の後ろ向きコホート400例（WHOグレードI 261例、グレードII/III 139例）を解析した。造影される腫瘍を、3D Simple Linear Iterative Clusteringアルゴリズムで、生物学的に異なる3つの部分領域（低造影・中間造影・高造影）に分割した。ラジオミクス特徴量と臨床・画像特徴量は、Ki-67 ≥ 5%とp53 ≥ 5%の両方に関連するものを選択した。続いて、WHOグレードを術前に予測する分類モデルを3つ構築した。臨床・画像モデル（C-model）、腫瘍全体のラジオミクスモデル（CRW-model）、部分領域に基づくラジオミクスモデル（CRS-model）である。性能は、学習コホート（n = 280）とテストコホート（n = 120）で、曲線下面積（AUC）により評価した。
結果：空間ハビタット・ラジオミクスの予測力は、バイオマーカーごとに異なっていた。Ki-67の予測では、高造影の部分領域のAUCが最も高かった（学習 0.81、テスト 0.70）。p53の予測では、低造影の部分領域が優れていた（学習 0.93、テスト 0.57）。CRS-modelのAUCは、学習コホート、テストコホートのいずれでも最も高かった。学習コホートのAUCはCRS-model 0.89、CRW-model 0.80、C-model 0.76であった。テストコホートのAUCは、同じ順に0.76、0.68、0.67であった。学習コホートでは、Bonferroni補正後もCRS-modelがCRW-modelとC-modelを有意に上回った（補正後 p = 0.000450、7.06 × 10⁻⁷）。テストコホートでもCRS-modelのAUCは数値上高かったが、補正後の差は統計学的に有意ではなかった（補正後 p = 0.0891、0.0918）。
結論：空間ハビタット・ラジオミクスは、Ki-67とp53の発現に関連する腫瘍内微小環境の不均一性の把握に役立つ可能性がある。また、髄膜腫の術前WHOグレード分類に、生物学的に解釈できる枠組みを与える可能性もある。
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：Xie H, Peng X, Chen X, Yu Y, Yi Z, Meng W, et al. Ki-67/p53-associated angiogenic heterogeneity for preoperative WHO grading of meningiomas: a spatial habitat radiomics study. BMC Med Imaging. 2026 Aug 3;26(1):562. doi:10.1186/s12880-026-02632-5. PMID: 42958086.確認の範囲：抄録のみ確認