AIとがん研究 ── 膵がん ── 2026-11-09
膵がんの治療・治験とAI
- Deep learning radiomics model for lymph node metastases prediction: a diagnostic study.抄録（全訳）
背景：膵管腺がん（PDAC）は、リンパ節（LN）転移を起こすことが多い。そのため、リスクの高い患者を早く見つけることが、治療方針の最適化に重要である。しかし、頑健な予測モデルは限られており、外部検証も不十分である。本研究の目的は、PDAC 患者の LN 転移の有無を術前に検出する人工知能（AI）モデルを作り、検証することである。
方法：膵臓手術の症例数が多い 2 施設で、2015 年 7 月から 2022 年 7 月に病理学的に PDAC と確定した患者 233 例を後ろ向きに登録した。全例が造影コンピュータ断層撮影（CT）を受け、厳格な選択・除外基準を満たしていた。経験のある放射線科医 2 名が、それぞれ独立に画像を読影した。ラジオミクス解析には、MATLAB と Python ベースの PyRadiomics を使った。特徴量を選択した結果、14 のラジオミクス特徴量が残り、これらからラジオミクススコアを作成した。3 つの予測モデルを作り、比較した。
結果：抽出した 1,652 のラジオミクス特徴量から 14 を選び、ラジオミクススコアを作った。このスコアは LN 転移と有意に関連した（P<0.001）。多変量ロジスティック回帰で、LN 転移の独立した予測因子を調べた。多変量ロジスティック回帰で独立した予測因子とされたのは、腫瘍の部位、血管浸潤、白血球（WBC）数、血小板数、ラジオミクススコアであった。これらからノモグラムを作成した。ラジオミクスと臨床データを組み合わせた最適なモデルを探すため、さまざまな機械学習アルゴリズムを評価した。決定曲線解析では、extreme gradient boosting（XGBoost）モデルが精度と安定性で優れていた。曲線下面積（AUC）は、訓練セットで 0.86、検証セットで 0.81 であった。
結論：術前 CT のラジオミクスと臨床変数を統合した、LN 転移の予測モデルの開発に成功した。XGBoost ベースのモデルは、精度、頑健性、汎化性能のいずれも優れていた。今後は、病理検体の採取を標準化し、前向き多施設試験を行って、より信頼できるモデルを作るべきである。今後は、小さな LN の同定を改善するため、画像技術を進歩させることも求められる。
掲載誌の IF 相当：1.8（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Li Y, Wu S, Qiu J, Meng L, Zhang M, Cai H, et al. Deep learning radiomics model for lymph node metastases prediction: a diagnostic study. Gland Surg. 2026 Oct;15(10):276-6. doi:10.21037/gs-2026-0378.確認の範囲：抄録のみ確認 - Habitat radiomics combined with clinical features for predicting tertiary lymphoid structure status in pancreatic ductal adenocarcinoma: development and validation of a preoperative CECT-based model.抄録（全訳）
背景：三次リンパ様構造（TLS）は、膵管腺がん（PDAC）で注目されつつある予後バイオマーカーである。しかし、術前に TLS を評価できる信頼性の高い非侵襲的な方法は、まだない。本研究の目的は、造影コンピュータ断層撮影（CECT）に基づくハビタットラジオミクスモデルを開発し、検証することである。このモデルは、PDAC の腫瘍内 TLS の状態を術前に予測するためのものである。
方法：この後ろ向き研究では、手術で切除した PDAC 患者 204 例を登録した。患者は訓練コホート（n=142）と検証コホート（n=62）に割り付けた。TLS の有無は、蛍光多重免疫組織化学（mIHC）で判定した。陽性例は、一次濾胞様 TLS と二次濾胞様 TLS に細分した。K-means クラスタリングにより、腫瘍の関心体積（VOI）を空間的に異なる部分領域に分割した。各部分領域からラジオミクス特徴量を抽出し、least absolute shrinkage and selection operator（LASSO）回帰で選択した。5 種類の機械学習分類器を評価した。独立した臨床予測因子は、多変量ロジスティック回帰（LR）で特定した。多変量ロジスティック回帰で同定した独立した臨床的予測因子を、最適な画像モデルと統合し、併用モデルを構築した。
結果：TLS 陽性は、患者の 32.84% で認められた。LR ベースのハビタットモデルの曲線下面積（AUC）は、訓練コホートで 0.939、検証コホートで 0.873 であった。従来のラジオミクスモデル（AUC 0.815、0.701）を大きく上回った。独立した臨床予測因子として、腫瘍の分化度と神経浸潤が特定された。併用モデルの AUC は 0.956 と 0.881 で、最も高かった。較正は良好で、決定曲線解析（DCA）における正味の臨床的有用性も優れていた。
結論：CECT に基づくハビタットラジオミクスにより、PDAC の腫瘍内 TLS を術前に非侵襲的かつ頑健に予測できる。個別のリスク層別化と治療計画に使える、実用的な手段となる。臨床変数を加えると AUC は数値上高くなったが、統計学的に有意な改善ではなかった。
掲載誌の IF 相当：1.8（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Li K, Guo R, Wang X, Li L, Yu F, Li Z, et al. Habitat radiomics combined with clinical features for predicting tertiary lymphoid structure status in pancreatic ductal adenocarcinoma: development and validation of a preoperative CECT-based model. Gland Surg. 2026 Oct;15(10):289-9. doi:10.21037/gs-2026-0439.確認の範囲：抄録のみ確認