AIとがん研究 ── 脳腫瘍 ── 2026-11-08

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• 分類から臨床の信頼へ：脳腫瘍 MRI のための 3D 深層学習と層ごとの説明可能性
  From Classification to Clinical Trust: 3D Deep Learning and Layer-Wise Explainability for Brain Tumor MRI
  Sensors · 2026-11-05 · 証拠の段階: 後ろ向きの観察（公開データセット BraTS 2023 を用いたモデル開発と検証、予備的な臨床レビュー）
  抄録（全訳）

  手術前に MRI で神経膠腫（グリオーマ）と髄膜腫を見分けることは、治療計画を立てるうえで重要である。ただし、その判定は専門医の読影に頼っている。

  著者らは、CBAM 注意機構を組み込んだ 3D ResNet-34 を作った。学習には、BraTS 2023 の患者 2251 例の 4 種類の MRI 画像を用いた。このうち 1801 例を 4 分割交差検証に使い、450 例をテスト用に取り分けた。テストセットでの正解率は 96%、曲線下面積（AUC）は 0.993、期待較正誤差は 0.0165 であった。

  層ごとの説明には、4 つの残差ステージそれぞれで Grad-CAM と SmoothGrad を用いた。4 × 4 × 4 のボトルネックでは、通常の Grad-CAM の解像度が粗すぎる。さらに再構成デコーダを加え、通常の Grad-CAM では粗すぎる 4 × 4 × 4 のボトルネックで、全解像度の寄与（アトリビューション）をデコーダ経由で得た。

  4 つの定量指標の結果は、互いに補い合うものであった。デコーダ支援の寄与は、ポインティングゲーム正解率が最も高く（80.2%）、削除 AUC が最も低かった。一方、挿入 AUC は Layer 1 が、忠実度差（faithfulness delta）の平均は Layer 2 が最も高かった。Layer 1、2、4 の間で、忠実度に有意な差はなかった。

  グリオーマは、ほとんどの層で位置を特定できた。一方、髄膜腫の位置は主にデコーダ支援の経路で特定された。予備的な臨床レビューと正規化解析の結果も報告する。このデコーダを用いれば、アノテーションなしで、3 次元画像を扱うモデルの深い層から全解像度の寄与を得られる。

  掲載誌の IF 相当：6.6（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）
  書誌：Pagonis N, Plomaritis K, Kogias E, Foroglou N, Chouvarda I. From Classification to Clinical Trust: 3D Deep Learning and Layer-Wise Explainability for Brain Tumor MRI. Sensors. 2026 Nov 5;26(21):6993. doi:10.3390/s26216993.
  確認の範囲：抄録のみ確認
• FOCUS：特徴量最適化とカスケード型統合スクリーニングにより病理画像からグリオーマの分子サブタイプを分類するコンピュータ支援手法
  FOCUS: a feature optimization and cascaded unified screening strategy for computer-aided pathology-based glioma molecular subtype classification.
  Diagnostic pathology · 2026-08-08 · 証拠の段階: 後ろ向きの観察（73 例の病理画像データセットを用いたモデル開発）
  抄録（全訳）

  背景：成人型びまん性神経膠腫（グリオーマ）は、2021 年の世界保健機関（WHO）分類で定義されている。その診断と治療には、イソクエン酸デヒドロゲナーゼ（IDH）の変異の有無を正確に分類することがきわめて重要である。しかし、従来の組織学的診断と分子診断は、時間と手間と費用がかかる。また、利用しにくい場合も多い。近年の人工知能の進歩により、病理組織画像から直接、グリオーマを自動で偏りなく分類できるようになった。ただし、複雑な病理学的特徴と分子的特徴を十分にとらえることは、まだ難しい。

  方法：本研究では、グリオーマの病理スライドから IDH 変異の有無を分類する統合フレームワークとして、FOCUS（Feature Optimization and Cascaded Unified Screening）を提案する。まず病理組織画像を小領域（パッチ）に分割し、Vision Transformer（ViT）で解釈可能な特徴量を抽出した。これらの特徴量は、核の形態や、腫瘍の進行に関わるタンパク質の発現と関連している。次に、パッチベースのグラフ畳み込みネットワーク（PatchGCN）で空間的な文脈を集約し、局所の形態と腫瘍全体の不均一性の両方をとらえた。これで、局所の形態と腫瘍全体の不均一性の両方をとらえた。さらにカスケード型の特徴選択でバイオマーカーをより的確に特定し、最後に機械学習の分類器で分類した。

  結論：FOCUS は、IDH 変異型（星細胞腫と乏突起膠腫）と IDH 野生型（膠芽腫）の腫瘍を計算で見分ける手法にもなりうる。

  掲載誌の IF 相当：4.2（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）
  書誌：Su Y, Li F, Yang H, Bai J, Lu J. FOCUS: a feature optimization and cascaded unified screening strategy for computer-aided pathology-based glioma molecular subtype classification. Diagn Pathol. 2026 Aug 8;21(1):84. doi:10.1186/s13000-026-01836-1.
  確認の範囲：抄録のみ確認

← この号の目次へ