AIとがん研究 ── 脳腫瘍 ── 2026-11-02
脳腫瘍の治療・治験とAI
- Multiparametric Quantitative MRI With 2. 5D Deep Learning for Molecular Classification and Overall Survival Assessment in Adult‐Type Diffuse Gliomas抄録（全訳）
背景：定量 MRI を使えば、神経膠腫の特徴を非侵襲的に捉えられる可能性がある。ただし、最適な解析法も、予後予測での有用性も、まだはっきりしない。
目的：手術前の分子分類について、関心体積（VOI）平均、ラジオミクス、2D・2.5D・3D の深層学習（DL）を比較する。あわせて、2.5D-DL から得たイソクエン酸脱水素酵素野生型スコア（2.5D-IDHwt スコア）を評価する。あわせて、2.5D-IDHwt スコアの予後予測上の価値を、術後の臨床病理学的生存モデルで評価する。 研究の種類 後ろ向き多施設研究。
対象：びまん性神経膠腫の成人 1408 例。内訳は、学習（n = 409）、時間的検証（n = 300）、3 つの外部テストコホート（n = 119、310、270）である。 磁場強度／シーケンス 3 T。シーケンスは、スピンエコー・エコープラナー拡散強調画像、3D 擬似連続動脈スピンラベリング、マルチダイナミック・マルチエコー合成 MRI である。 評価神経放射線科医 2 名（経験 5 年と 20 年）が腫瘍全体の VOI を描出した。マップ別の 6 つのモデルを、VOI 平均、ラジオミクス、2D-DL、2.5D-DL、3D-DL の手法ごとに別々にスタッキングした。2.5D-qMR-Clin は、2.5D-IDHwt スコアに 3 つの因子を組み合わせたモデルである。3 つの因子は、年齢、O6-メチルグアニン-DNA メチルトランスフェラーゼプロモーターのメチル化、切除範囲である。これを、病理学的 IDH 状態を組み込んだ PathoClin と比較した。 統計検定 曲線下面積（AUC）、DeLong 検定、Harrell の C 指数、ブートストラップ再標本化、較正、決定曲線分析、Kaplan–Meier 解析、Cox 回帰。P < 0.05 を有意とした。
結果：2.5D-DL のスタッキングモデルは、外部検証での AUC が最も高かった。外部検証の AUC は IDH 変異で 0.89〜0.93、1p/19q 共欠失で 0.92〜0.95 であり、他の 4 つのスタッキングモデルを有意に上回った。 逆 Kaplan–Meier 法による追跡期間の中央値は 1344 日（95% 信頼区間 1316〜1383）で、27.5% が死亡した。外部検証での C 指数は、2.5D-qMR-Clin が 0.750、0.778、0.762、PathoClin が 0.704、0.722、0.723 であった。テストコホート 2 と 3 では、この差が有意であった。固定カットオフによるリスク層別化は、すべての外部コホートで有意であった（ハザード比 5.30〜5.80）。ウェブ版の 2.5D-qMR-Clin エクスプローラーは、1 年、2 年、3 年の全生存期間（OS）の推定値を示した。 データの結論 評価した手法のなかで、分子分類の成績が最も良かったのは 2.5D-DL スタッキングであった。2.5D-IDHwt スコアは、術後の臨床病理学的モデルでの OS 評価を改善した。 エビデンスレベルは 3 である。 技術的有効性はステージ 2 である。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）書誌：Ge X, Shen Y, Han Y, Li S, Feng X, Wang C, et al. Multiparametric Quantitative MRI With 2. 5D Deep Learning for Molecular Classification and Overall Survival Assessment in Adult‐Type Diffuse Gliomas. Magnetic Resonance Imaging. 2026 Oct 31 [Epub ahead of print]. doi:10.1002/jmri.70599.確認の範囲：抄録のみ確認 - Brain tumor segmentation, classification, and severity prediction using deep transfer learning and convolutional long short-term memory抄録（全訳）
脳腫瘍（BT）は細胞の異常な増殖で生じる。世界の成人にとって、命に関わる主要な悪性腫瘍の一つである。腫瘍の治療は、早期の発見にかかっている。診断には通常、医用画像検査が使われ、患者の脳を正確に評価するのに役立つ。したがって、適切な時期に発見して速やかに治療すれば、こうした患者の生活の質は向上し、余命も延びる。近年、深層学習（DL）モデルによって医用画像は大きく進歩した。
本研究では、脳腫瘍を自動で分類し重症度を予測するモデル ABTCSP-ISCDL を提案する。このモデルでは、画像セグメンテーションと畳み込み深層学習を用いる。研究のねらいは、脳腫瘍の検出と重症度分類を正確に行う知的システムを開発し、適時の診断と効果的な治療計画に役立てることである。
画像セグメンテーションには Transformer ベースの U-Net（TransUNet）を使い、腫瘍領域を正確に切り分ける。特徴抽出には RegNet002 モデルを使い、脳腫瘍の局所的な特徴と全体的な特徴をとらえる。最後に、二乗平均平方根伝播（RMSProp）最適化手法を畳み込み長短期記憶（ConvLSTM）ネットワークと組み合わせ、腫瘍の分類と重症度予測を行う。これにより、正確度も全体の性能も向上する。
Figshare BT データセットを用いて、ABTCSP-ISCDL モデルの包括的な実験を行った。従来の手法と比べた実験の解析で、提案した枠組みの正確度は 96.25% であった。
掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-11-01 時点の値、2026-11-02 に取得。正式な IF（Clarivate）ではない）書誌：Chanemougavel V, Jayanthi K. Brain tumor segmentation, classification, and severity prediction using deep transfer learning and convolutional long short-term memory. IJATEE. 2026 Oct 31;13(143):854-75. doi:10.19101/ijatee.2025.121221250.確認の範囲：抄録のみ確認