AIとがん研究 ── 腎臓がん ── 2026-11-01
腎臓がんの治療・治験とAI
- Multimodal CT radiomics and 2.5D deep learning for preoperative grading of clear cell renal cell carcinoma in older patients: a multicenter study抄録（全訳）
序論：高齢の淡明細胞型腎細胞がん（ccRCC）患者を対象に、世界保健機関／国際泌尿器病理学会（WHO/ISUP）のグレードを術前に予測するモデルの開発と検証を目的とした。目的は、腫瘍内・周囲のラジオミクス、2.5D 深層学習（DL）、臨床・放射線学的特徴を統合した、コンピュータ断層撮影（CT）に基づくマルチモーダルモデルを開発し、検証することである。腫瘍内と腫瘍周囲のラジオミクス、2.5D 深層学習（DL）、臨床・放射線学的特徴を統合した。
方法：多施設の後ろ向き研究で、4 病院から、病理で確定した 60 歳超の ccRCC 患者 1,103 例を組み入れた。内訳は、訓練コホート（n=459）、内部検証コホート（n=198）、独立した 2 つの外部テストコホート（test1、n=227；test2、n=219）である。WHO/ISUP グレード I〜II を低グレード、III〜IV を高グレードとした。 ラジオミクス特徴は、皮髄相の CT 画像から抽出した。皮髄相の CT 画像で、腫瘍内と、腫瘍周囲に 1、2、3 mm と段階的に広げた領域からラジオミクス特徴を抽出した。並行して、ImageNet で事前学習した ResNet34 により、2D と 2.5D（軸位断・冠状断・矢状断を統合）の DL 特徴を抽出した。2.5D の手法では、腫瘍の軸位断・冠状断・矢状断の像を統合した。 特徴選択の後、5 種類の機械学習分類器を評価した。最適なラジオミクスモデル、DL モデル、臨床モデルは、スタッキングによる決定レベルの融合で統合した。性能の評価には、受信者動作特性解析、較正曲線、決定曲線分析（DCA）、SHapley Additive exPlanations（SHAP）を用いた。 結果test1 で 0.754（95% 信頼区間 0.683〜0.825）、test2 で 0.725（95% 信頼区間 0.655〜0.794）である。 2.5D DL 特徴に基づく RF モデルの AUC は、test1 で 0.756（95% 信頼区間 0.682〜0.830）、test2 で 0.713（95% 信頼区間 0.643〜0.783）であった。 マルチモーダル統合モデルの外部 AUC は、test1 で 0.775（95% CI 0.705–0.845）、test2 で 0.732（95% CI 0.664–0.800）であり、選んだ単一モダリティのモデルより数値上は高かった。test1 で 0.775（95% 信頼区間 0.705〜0.845）、test2 で 0.732（95% 信頼区間 0.664〜0.800）である。 DCA では、統合モデルの臨床的な正味の利益は良好であった。SHAP 解析では、モデルの予測に最も大きく寄与した要素は 2.5D DL であった。 考察これにより、高齢の ccRCC 患者の WHO/ISUP グレードを術前に非侵襲的に予測できた。予測性能は、独立した外部コホートのいずれでも維持された。この手法は、術前のリスク層別化と個別化治療の計画に役立つ、画像と臨床の補完的な情報をもたらす可能性がある。
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：Wang Z, Liang Z, Lv D, Hu S, Zhou H, Li J, et al. Multimodal CT radiomics and 2.5D deep learning for preoperative grading of clear cell renal cell carcinoma in older patients: a multicenter study. Front Oncol. 2026 Oct 30;16:1982970. doi:10.3389/fonc.2026.1982970.確認の範囲：抄録のみ確認 - Development and validation of a multiphase CT radiomics-based machine learning model for prognostic prediction in sarcomatoid renal cell carcinoma抄録（全訳）
背景：肉腫様腎細胞がん（sRCC）は、腎細胞がんのなかでまれで侵攻性の高い亜型であり、予後は不良である。個別化治療を計画するには、予後を正確に層別化することが欠かせない。本研究の目的は、病理で確定した sRCC 患者の全生存期間（OS）を予測する機械学習モデルの開発と検証である。モデルには、多時相のコンピュータ断層撮影（CT）ラジオミクスと臨床病理学的因子を統合した。
方法：腎摘除術を受け、病理で sRCC と確定した患者 113 例を後ろ向きに組み入れた。動脈相（AP）と静脈相（VP）の CT 画像からラジオミクス特徴を抽出した。特徴の選択には、級内相関係数（ICC > 0.75）と単変量 Cox 回帰を用いた。その後、最小絶対収縮選択演算子（Lasso）回帰とランダムサバイバルフォレスト（RSF）のアルゴリズムでラジオミクスシグネチャーを構築した。 ラジオミクススコアと、多変量 Cox 回帰で特定した独立した臨床予測因子を統合し、複合モデルを作った。モデルの性能は、一致指数（C-index）、時間依存受信者動作特性（ROC）曲線、較正曲線、決定曲線分析（DCA）で評価した。内部検証には、ブートストラップ再標本化と反復交差検証を用いた。
結果：複合モデルには、AP+VP ラジオミクススコア、N 病期、M 病期、Ki-67 指数を組み込んだ。このモデルの予測性能は、臨床モデルより数値上は改善した。 ホールドアウトのテストセットでの C-index は 0.737（95% 信頼区間 0.612〜0.846）であった。これは AP+VP ラジオミクスモデル単独（C-index 0.735）と同程度で、臨床モデル（C-index 0.615）より数値上は高かった。ただし、臨床モデルに対する改善は統計学的に有意ではなかった（P = 0.115）。 1 年、2 年、3 年 OS の曲線下面積（AUC）は、それぞれ 0.833、0.780、0.749 であった。較正は良好で、幅広い閾値確率にわたって臨床的有用性がみられた。高リスク群と低リスク群で、生存を有意に層別化できた（ログランク P < 0.05）。
結論：今回の機械学習モデルは、多時相 CT ラジオミクスと臨床病理学的因子を組み合わせたものである。sRCC 患者の OS を予測する非侵襲的な手段となる可能性がある。性能は従来の臨床モデルより数値上は改善した。しかし、この上乗せ効果は統計学的に有意ではなく、性能はラジオミクス単独モデルと同程度であった。一般化可能性を確かめるには、さらに多施設での検証が必要である。
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：Liu T, Yao Y, Zhou Z, Hu Y, Sun L, Zhang G. Development and validation of a multiphase CT radiomics-based machine learning model for prognostic prediction in sarcomatoid renal cell carcinoma. Front Oncol. 2026 Oct 30;16:1982796. doi:10.3389/fonc.2026.1982796.確認の範囲：抄録のみ確認