AIとがん研究 ── 肝臓がん ── 2026-11-05
肝臓がんの治療・治験とAI
- Predicting microvascular invasion in hepatocellular carcinoma using contrast-enhanced CT-based deep learning models: a comparative study of transformer, CNN, and MIL抄録（全訳）
目的：微小血管浸潤（MVI）は、肝細胞がん（HCC）の術後再発を予測する因子である。しかし、手術前に MVI を予測するのはまだ難しい。本研究では、造影 CT から MVI を予測する 3 つの手法を比較した。比較したのは、Transformer、畳み込みニューラルネットワーク（CNN）、マルチインスタンス学習（MIL）のフレームワークである。
方法：病理学的に肝細胞がん（HCC）と確定した患者 236 例を、後ろ向きに登録した。動脈相の CT 画像で、腫瘍の関心領域を半自動で描出した。動脈相 CT 画像で腫瘍の断面が最大となるスライスを中心に複数のスライスを抽出し、2.5D データセットを作った。Transformer、MIL、CNN、臨床ベースラインの 4 モデルを学習させた。モデルは受信者動作特性曲線下面積（AUC）で比較し、DeLong 検定を用いた。AUC 推定値の安定性は、ブートストラップ再標本化で評価した。
結果：AUC が最も高かったのは Transformer で、0.827（95% 信頼区間 0.7585〜0.8962）であった。正確度は 0.775、感度は 0.577、特異度は 0.889 であった。次いで MIL（0.766、95% 信頼区間 0.6875〜0.8441）、CNN（0.723）、臨床モデル（0.715）の順であった。ブートストラップ検証で、すべてのモデルの AUC 推定値が安定していることを確かめた。順位は Transformer が 1 位であった（平均 0.827、標準偏差（SD）0.034）。Transformer は CNN（調整後 P = 0.001）と臨床モデル（調整後 P = 0.039）を有意に上回った。MIL との差は、多重比較の補正後には有意性の境界域にとどまった（調整後 P = 0.097）。CNN、MIL、臨床モデルの間に有意差はみられなかった。
結論：評価した 4 モデルのうち、MVI を最も正確に予測したのは造影 CT に基づく Transformer であった。内部検証としてブートストラップを行った後も、この優位性は保たれた。ただし、この結果が示すのは識別性能の順位だけである。モデルの臨床的有用性は確立していない。臨床応用の前に、より大きなコホートでの前向き検証が必要である。
掲載誌の IF 相当：2.8（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Lin M, Zheng X, Zhao C, Lin T, Zhao Q. Predicting microvascular invasion in hepatocellular carcinoma using contrast-enhanced CT-based deep learning models: a comparative study of transformer, CNN, and MIL. Front Oncol. 2026 Nov 2;16:1988882. doi:10.3389/fonc.2026.1988882.確認の範囲：抄録のみ確認 - Rapid and label-free analysis of biological characteristics of hepatocelluar carcinoma tissues based on histological images.抄録（全訳）
はじめに：肝細胞がん（HCC）は分子レベルの不均一性が大きい。このため、治療の選択や臨床管理が難しくなっている。
目的：人工知能（AI）による病理組織解析のフレームワークを開発した。通常のヘマトキシリン・エオジン（H&E）染色標本から、HCC の生物学的特性を予測するものである。
方法：The Cancer Genome Atlas の肝細胞がんコホート（TCGA-LIHC）を用いた。遺伝子セット解析、発現変動解析、コンセンサスクラスタリングで、血管新生・幹細胞性・オートファジーに関連するトランスクリプトームの表現型を特定した。これらの表現型について、全生存期間と薬剤感受性を評価した。全スライド画像は 224 × 224 ピクセルの腫瘍タイルに分割し、表現型の予測に用いた。特徴抽出には UNI、ResNet50、CTrans、GigaPath、Virchow2 を使った。特徴抽出の手法に、従来型のマルチインスタンス学習と、クラスタリング制約付きアテンションベースのマルチインスタンス学習を組み合わせた。モデルは、武漢大学人民医院と同済医院で外部検証した。解釈可能性は、アテンションヒートマップで評価した。予測結果は、分子マーカーおよび腫瘍の分化度と照らし合わせて評価した。
結果：教師なしクラスタリングで、各表現型に 2 つのサブグループが見つかった。サブグループ間では、生存に有意差があった（いずれも P < 0.004）。ソラフェニブまたは経カテーテル動脈化学塞栓療法への感受性にも有意差があった（いずれも P < 0.0001）。腫瘍検出モデルの受信者動作特性曲線下面積（AUC）は 97.53% であった。表現型予測モデルの内部検証での最良 AUC は 85.51%〜91.05%、正確度は 79.63%〜88.89% であった。外部検証での最良 AUC は、血管新生 70.94%、幹細胞性 88.64%、オートファジー 91.17% であった。血管新生・幹細胞性・オートファジーの外部検証での正確度は、それぞれ 62.00%、78.00%、84.00% であった。アテンションヒートマップでは、サブグループごとに異なる形態学的特徴がみられた。新生血管、核／細胞質比の上昇、細胞質の空胞化などである。モデルの予測は、CD31/CD105（κ = 0.398〜0.432）、CD133/LGR5（κ = 0.428〜0.629）、Beclin-1/p62-LC3B（κ = 0.592〜0.762）と一致した（いずれも P < 0.05）。予測結果は、腫瘍の分化度とも有意に一致していた（κ = −0.167〜−0.175、p < 0.05）。
結論：この概念実証段階の AI 枠組みは、通常の組織像から、トランスクリプトームで定義した HCC の表現型を予測した。予測は予後および治療反応と関連した。HCC の不均一性を低コストで評価でき、分子プロファイリングを補完する手段になりうる。
掲載誌の IF 相当：9.9（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Zhang H, Li J, Sheng J, Li Z, Jiang W, Xu K, et al. Rapid and label-free analysis of biological characteristics of hepatocelluar carcinoma tissues based on histological images. J Adv Res. 2026 Nov [Epub ahead of print]. doi:10.1016/j.jare.2026.10.067. PMID: 42967526.確認の範囲：抄録のみ確認