AIとがん研究 ── 脳腫瘍 ── 2026-11-09

対象誌と選び方は索引の頁に

脳腫瘍の治療・治験とAI

• 治療後の膠芽腫を評価するための、ソフトボーティング機械学習アンサンブルを用いた説明可能な DSC 灌流ラジオミクス
  Explainable DSC Perfusion Radiomics for Post-Treatment Glioblastoma Assessment Using a Soft-Voting Machine-Learning Ensemble
  Cancers · 2026-11-06 · 証拠の段階: 後ろ向きの観察（公開データセットを用いた診断モデルの開発と独立テストセットでの検証）
  抄録（全訳）

  背景・目的：膠芽腫の化学放射線療法後には、2 つの状態が通常の MRI でよく似て見える。残存または再発した腫瘍（腫瘍陽性病変、TP）と、偽増悪や放射線壊死を含む治療関連変化（TRC）は、従来の MRI では区別しにくい。TRC には偽増悪と放射線壊死が含まれる。本研究では、動的磁化率造影（DSC）灌流 MRI のラジオミクス特徴量だけで、両者を区別できるかを検証した。

  方法：公開データセット UCSD-PTGBM の患者 168 例について、治療後の MRI 検査 224 件を解析した。漏出補正した相対脳血液量（rCBV）マップから 1223 のラジオミクス特徴量を得て、機械学習アンサンブルを訓練した。訓練データ（109 例、143 検査）とテストデータ（59 例、81 検査）は、患者単位で分けた。モデルはテスト前に固定した。同じ撮像の脳血流量（CBF）マップでも、解析を繰り返した。DSC と動脈スピン標識（ASL）の比較は、両方の検査を受けた患者で行った。

  結果：独立したテストセット（患者単位の解析）で、モデルは TP と TRC を区別できた。受信者動作特性曲線下面積（AUC）は 0.79（95% 信頼区間 0.67〜0.89）であった。腫瘍のある患者 49 例のうち 31 例を検出した（感度 63%）。TRC の患者 10 例は、全例を正しく判別した（特異度 100%）。あらかじめ定めた高感度寄りのカットオフでは、感度 69%、特異度 80% であった。CBF マップを使っても、AUC に有意差はなかった（0.78、P = 0.89）。ただし、感度と特異度のバランスは異なっていた。36 例の探索的なサブセットでは、DSC と ASL に有意差はなかった（AUC 0.82 対 0.71、P = 0.52）。

  結論：DSC 灌流ラジオミクス単独で、腫瘍を高い特異度で特定できたが、腫瘍の約 3 分の 1 を見逃した。陽性の結果は腫瘍の診断を支持しうるが、陰性の結果で腫瘍を除外することはできない。臨床で使う前に、外部の多施設での検証が必要である。

  掲載誌の IF 相当：6.1（OpenAlex の直近 2 年の平均被引用数・2026-11-07 時点の値、2026-11-08 に取得。正式な IF（Clarivate）ではない）
  書誌：Christodoulou RC, Christofi G, Vamvouras G, Esmeraldo MA, Papageorgiou PS, Vassiliou E, et al. Explainable DSC Perfusion Radiomics for Post-Treatment Glioblastoma Assessment Using a Soft-Voting Machine-Learning Ensemble. Cancers. 2026 Nov 6;18(21):3567. doi:10.3390/cancers18213567.
  確認の範囲：抄録のみ確認
• DenseNet201による脳腫瘍分類の精度向上と他の4モデルとの比較
  Brain Tumor Classification Accuracy Enhancement via DenseNet201 Compared to Four Alternative Models
  ELCVIA Electronic Letters on Computer Vision and Image Analysis · 2026-11-05 · 証拠の段階: 後ろ向きのモデル開発（既存MRI画像データでの性能比較）
  抄録（全訳）

  脳腫瘍の病期を早期に分類できるかどうかは、現在使える治療計画や治療法の成否を左右する。磁気共鳴画像（MRI）は、治療計画と早期診断に欠かせない方法である。しかし、現在の分類法の多くは精度が十分に高くない。そのため、一部の腫瘍が誤って分類されたり、疑い例とされたりすることがある。

  本研究では、深層学習モデルの DenseNet201 を基盤にして脳腫瘍を分類した。データセットは MRI 画像からなり、4種類（髄膜腫、下垂体腫瘍、腫瘍なし、神経膠腫）を含む。分類の精度と汎化性能を高め、過学習を減らすため、分類の過程で3つの手法（a1、a2、a3）を用いた。学習に使っていないテストデータで評価すると、このモデルの正解率は 99.77% と高かった。同じクラスの中でも画像は似通っており、腫瘍の形態も多様である。それでも本手法は、悪性脳腫瘍を効果的に分類できた。

  比較には、最先端の深層学習手法4つ（ResNetRS50、ResNet50、VGG19、EfficientNetV2）を用いた。これらの正解率はそれぞれ 99.77%、98.71%、96.88%、96.58% であった。脳腫瘍分類の分野では、本手法が性能で他の手法を上回った。臨床応用につながる可能性を示す結果である。

  掲載誌の IF 相当：1.2（OpenAlex の直近 2 年の平均被引用数・2026-11-07 時点の値、2026-11-08 に取得。正式な IF（Clarivate）ではない）
  書誌：Thamer Z, Sagheer N, Ata O, Abdulmunem A, Thamer H. Brain Tumor Classification Accuracy Enhancement via DenseNet201 Compared to Four Alternative Models. ELCVIA. 2026 Nov 5;25(3):65-80. doi:10.5565/rev/elcvia.2305.
  確認の範囲：抄録のみ確認

← この号の目次へ