AIとがん研究 ── 脳腫瘍 ── 2026-11-07
脳腫瘍の治療・治験とAI
- Explainable volumetric deep learning from contrast-enhanced T1-weighted MRI for preoperative IDH prediction in adult-type diffuse gliomas: a two-center study抄録（全訳）
目的：成人型びまん性神経膠腫で、イソクエン酸脱水素酵素（IDH）変異の有無を術前に予測するモデルを評価する。モデルの入力には、造影 T1 強調 MRI（CE-T1WI）を用いる。あわせて、予測への影響が大きい潜在特徴が、どの表現型と関連するかを探索する。
方法：後ろ向き研究で、患者 462 例を対象とした。施設 1 から学習コホート（n = 259）と内部テストコホート（n = 65）を得た。施設 2 からは外部検証コホート（n = 138）を得た。入力とアーキテクチャの組み合わせ 5 通りと、分類器 6 種を評価した。比較対象は、解釈しやすいロジスティック回帰のベンチマークである。このベンチマークは、年齢と VASARI（Visually Accessible Rembrandt Images）所見を組み合わせたものである。各アーキテクチャについて、外部検証での曲線下面積（AUC）の観測値が最も高い分類器を選び、その結果を報告した。性能は、識別能、較正、決定曲線で評価した。さらに、深層特徴を固定したまま下流の分類器を 100 回再学習させて評価した。影響の大きい潜在特徴と、臨床・画像の表現型との関係も調べた。これには Shapley 加法的説明（SHAP）と、表現型との関連解析を用いた。
結果：関心領域（ROI）に限定した 3 次元 vision Transformer（3D ViT）とサポートベクターマシン（SVM）の組み合わせは、外部検証で次の成績を示した。成績は、AUC 0.929（95% 信頼区間 0.885〜0.973）、正解率 0.848、感度 0.838、特異度 0.857、Brier スコア 0.106 であった。年齢と VASARI のベンチマークでは、外部検証の AUC は 0.782 であった。下流の再学習 100 回で、ROI 限定モデルの外部 AUC の平均は 0.930 であった。学習の AUC から外部検証の AUC を引いた差の平均も、このモデルが最も小さかった（0.019）。SHAP の重要度上位 10 特徴は、どのコホートでも同じであった。ただし順位はコホートごとに異なった。Feature_546 は、年齢（r = 0.461）、術後の Ki-67（r = 0.562）、造影増強の性状（r = 0.678）と相関した（補正後 P はいずれも < 0.001）。
結論：CE-T1WI の ROI に限って 3 次元で学習させ、IDH 変異の有無を判別した。使ったのは日常診療で撮る MRI の 1 シーケンスだけで、別の施設のデータでも有望な判別能を示した。影響の大きい潜在特徴は、術後の Ki-67 や、目で見て分かる画像上の表現型と関連していた。SHAP による寄与の評価と、これらの探索的な関連は、互いに補い合う視点を与える。どちらも、術前の IDH 評価でモデルがどう振る舞うかを理解する手がかりになる。
掲載誌の IF 相当：3.4（OpenAlex の直近 2 年の平均被引用数・2026-11-05 時点の値、2026-11-06 に取得。正式な IF（Clarivate）ではない）書誌：Zheng C, Zhang Q, Li D, Wang H, Yang J, Lv F, et al. Explainable volumetric deep learning from contrast-enhanced T1-weighted MRI for preoperative IDH prediction in adult-type diffuse gliomas: a two-center study. Front Neurol. 2026 Nov 4;17:1966591. doi:10.3389/fneur.2026.1966591.確認の範囲：抄録のみ確認 - Construction of a Predictive Model for Cerebrospinal Fluid Leakage After Endoscopic Transsphenoidal Pituitary Tumor Surgery Based on Machine Learning Algorithm.抄録（全訳）
目的：機械学習（ML）で術後の脳脊髄液（CSF）漏を予測するモデルを作る。対象の手術は、内視鏡下経蝶形骨洞下垂体腺腫摘出術（TSPA）である。
方法：5 病院の患者 420 例（2021 年 1 月〜2022 年 12 月）を学習コホートとした。別の 1 病院の 140 例を検証コホートとした。学習コホートの内訳は、CSF 漏あり 60 例、なし 360 例である。リスク因子を解析した。決定木、ロジスティック回帰、SMOTE（合成少数派オーバーサンプリング法）に基づく各モデルを作った。そのうえで、各モデルの診断上の有用性を比べた。
結果：以下の項目で有意差がみられた（P < 0.05）。腫瘍径、腫瘍の硬さ、手術時間、術中の鞍隔膜の破綻、再手術、術中 CSF 漏のグレードである。ロジスティック回帰で特定したリスク因子は、腫瘍の硬さ、再手術、術中 CSF 漏のグレード、鞍隔膜の破綻であった。学習コホートでは、どのモデルも AUC が高かった。各モデルの値は、ロジスティック回帰 0.792、決定木 0.835、SMOTE 0.839 であった。DeLong 検定では、決定木と SMOTE がロジスティック回帰を上回った。感度と特異度は、いずれも SMOTE が最も高かった。検証コホートの AUC は、ロジスティック回帰 0.775、決定木 0.809、SMOTE 0.831 で、SMOTE が優れていた。較正曲線では、予測値と実測値がよく一致した。
結論：内視鏡下 TSPA 後の CSF 漏を予測するモデルを、決定木、SMOTE、ロジスティック回帰の 3 手法で作った。各モデルの性能は、AUC、特異度、感度で評価した。複数のアルゴリズムを比べることで、単一アルゴリズムによる偏りを減らした。性能が最もよかったのは SMOTE である。
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：Shao S, Ye C, Du Y, Liu T, Wu Y, Chen M, et al. Construction of a Predictive Model for Cerebrospinal Fluid Leakage After Endoscopic Transsphenoidal Pituitary Tumor Surgery Based on Machine Learning Algorithm. J Neurol Surg B Skull Base. 2026 Jan 6;87(06):669-77. doi:10.1055/a-2775-5314.確認の範囲：抄録のみ確認