AIとがん研究 ── 腎臓がん ── 2026-11-05
腎臓がんの治療・治験とAI
- General-purpose vision-language models as computed tomography feature encoders for identifying advanced renal cell carcinoma抄録（全訳）
術前の非造影 CT から、汎用の視覚言語モデル（VLM）で数値特徴を生成できるかを評価した。生成した特徴は、腎細胞がん（RCC）の術後の病理学的 AJCC 病期グループの予測に用いる。病期は米国がん合同委員会（AJCC）の分類による。
後ろ向き研究で、公開データの開発用 260 例と、Shanxi Bethune Hospital の外部 183 例を対象とした。評価した組み合わせは計 2,160 通りである。組み合わせの要素は、5 種類の VLM、画像の入力方法、ラジオミクス検索、特徴の定義、ベクトル長、分類器である。設定は、3 分割交差検証での F1 の平均で選んだ。続いて、分割外（OOF）予測で閾値を選び、開発コホート全体でモデルを再学習した。比較対象は、3D ResNet-18、2 つのラジオミクス分類器、検索ベースの分類器、MedGemma、医師である。不確実性は、患者単位の層別ブートストラップ法で定量化した。医師に対する支援の効果は、探索的な逐次デザインで評価した。
条件を固定すると、3 回繰り返した呼び出しのいずれでも、出力テキストと数値が完全に一致した。選択されたのは、GPT-5.6 Sol を用いたワークフローである。このワークフローでは、左右両側の切り出し画像、21 スライス、ラベル付き検索、128 個の意味的特徴、TabTransformer を用いた。検証分割での F1 の平均は 0.808 ± 0.052 だった。外部データでの F1 は 0.698（95% 信頼区間 0.563〜0.814）だった。受信者動作特性曲線下面積（AUROC）は 0.942（95% 信頼区間 0.901〜0.975）だった。外部データでの F1 は、ResNet で 0.708、医師の合議で 0.688 だった。VLM と ResNet の F1 の差（VLM − ResNet）は −0.009（95% 信頼区間 −0.133〜0.106）だった。支援を受けた合議の F1 は 0.750 だった。支援ありの合議 F1 の変化量は 0.063 で、95% 信頼区間は −0.048〜0.175 だった。
術前の非造影 CT からプロンプトで生成した特徴は、外部コホートで RCC の術後の病理学的 AJCC 病期グループを予測するのに有用だった。この性能は、入力からモデル構築までのワークフロー全体を反映したものである。探索的な逐次評価では、支援を受けた二次読影のほうが F1 の観察値が高かった。
掲載誌の IF 相当：3.8（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Guo F, Sun S, Wang Y, Li P, Zhang Y, Peng L, et al. General-purpose vision-language models as computed tomography feature encoders for identifying advanced renal cell carcinoma. BMC Med Imaging. 2026 Nov 3 [Epub ahead of print]. doi:10.1186/s12880-026-03013-8.確認の範囲：抄録のみ確認 - Artificial intelligence-driven quantitative histologic grading and prognostic stratification for clear cell renal cell carcinoma抄録（全訳）
淡明細胞型腎細胞がん（ccRCC）は、WHO/ISUP（世界保健機関／国際泌尿器病理学会）分類で正確にグレードを判定することが臨床的に重要である。ただし日常診療では、判定に時間がかかり、主観も入る。全スライド画像（WSI）を使った定量的な病理評価は、手作業では難しい。
そこで著者らは人工知能（AI）システムを作った。ccRCC の WHO/ISUP グレードを自動で判定し、病理所見を定量的に評価するシステムである。目的は、定量的なグレード分類を確立し、予後の層別化を改善することである。
本研究は後ろ向きの多施設研究である。1192 例のヘマトキシリン・エオジン（H&E）染色 WSI を解析した。内訳は次のとおりである。
- 孫逸仙記念病院（Sun Yat-Sen Memorial Hospital、SYSMH）：n = 467
- 中山大学附属第三病院（SYSTH）：n = 241
- The Cancer Genome Atlas（TCGA）：n = 484
AI の処理は三つの工程からなる。処理の内容は、腫瘍の領域分割、高悪性度の脱分化（肉腫様・ラブドイド）の領域分割、G1〜G3 の核の定量化である。この処理で、スライド単位の WHO/ISUP グレードと、定量的な病理特徴量が得られる。特徴量には G1〜G3 の割合と G4 腫瘍面積比が含まれる。
次に、これらの特徴量をもとに、無再発生存期間（RFS）が近い患者群をまとめ、定量的なグレード分類を作った。この予後分類は、SYSMH と SYSTH を合わせたコホートで作り、TCGA コホートで独立に検証した。
検証セットでは、AI 支援の WHO/ISUP グレード判定モデルが、4 クラスの判定で高い識別能を示した。マイクロ AUC（95% 信頼区間）は、SYSTH コホートで 0.912（0.892〜0.932）、TCGA コホートで 0.846（0.825〜0.866）だった。
定量的な病理解析で、次のことが分かった。G2 の割合が高い（> 46%）腫瘍は、RFS が G3 の腫瘍と同程度だった。一方、G4 の腫瘍は、G4 腫瘍面積比と高悪性度の脱分化に基づき、予後の異なる 2 群にさらに分けられた。
これを受けて、定量的グレード分類は次の 4 分類とした。
- Class 1：G1 ＋ G2 の割合が低い群
- Class 2：G2 の割合が高い群 ＋ G3
- Class 3：G4 の低リスク群
- Class 4：G4 の高リスク群
定量的グレード分類の識別能は、WHO/ISUP 分類よりわずかに高かった。
この AI システムを使えば、WSI 上で ccRCC の WHO/ISUP グレード判定と定量的な病理評価を自動で行える。定量的グレード分類は、ccRCC の予後評価で従来の WHO/ISUP 分類を補える可能性がある。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Zhang Q, Zhang L, Liao C, Yu Y, Chen Y, Lin Z, et al. Artificial intelligence-driven quantitative histologic grading and prognostic stratification for clear cell renal cell carcinoma. BMC Cancer. 2026 Nov 2 [Epub ahead of print]. doi:10.1186/s12885-026-17286-3.確認の範囲：抄録のみ確認