AIとがん研究 ── 肺がん ── 2026-11-12
肺がんの治療・治験とAI
- Integrating radiomics and dosiomics to predict tumor regression for early adaptive radiotherapy in NSCLC patients.抄録(全訳)
背景:適応放射線治療(ART)には多くの利点がある。しかし多くの資源を要するため、日常診療での使用は限られている。ラジオミクス(画像特徴量の解析)とドジオミクス(線量分布特徴量の解析)にもとづいて、腫瘍縮小の予測モデルを作る。こうしたモデルは、ART の恩恵を受けうる非小細胞肺がん(NSCLC)患者を見分ける助けになる可能性がある。
方法:この後ろ向き研究は、NSCLC 患者 116 例を対象とした。腫瘍縮小は、18〜20 回の分割照射後の肉眼的腫瘍体積(GTV)の変化で評価した。ラジオミクスとドジオミクスの特徴量を抽出し、融合した。特徴量の選択には、ランダムフォレスト、主成分分析、XGBoost を用いた。次に、ラジオミクス特徴量、ドジオミクス特徴量、融合特徴量のそれぞれでサポートベクターマシン(SVM)のモデルを作った。使った特徴量は、ラジオミクス、ドジオミクス、融合特徴量の 3 種類である。最適な単一オミクスモデルの特徴量をさらに統合し、複合モデルを作った。性能の評価には、受信者動作特性(ROC)解析、較正、決定曲線解析を用いた。腫瘍縮小に感受性の高い患者では、コーンビーム CT(CBCT)画像から合成 CT(sCT)を作った。10 回目の照射時の sCT で、肺線量の変化を調べた。あわせて、肺線量の変化と腫瘍体積の減少との関連も調べた。
結果:腫瘍縮小で分けた 2 群の間に、臨床的特徴の有意差はなかった。検証セットでは、複合モデルの予測性能が最も高く、ROC 曲線下面積(AUC)は 0.811 だった。ラジオミクス、ドジオミクス、融合の各モデルを上回った(AUC はそれぞれ 0.750、0.778、0.756)。融合モデルは、単一オミクスモデルより優れてはいなかった。10 回目の照射の時点で、肺線量のパラメータは上昇していた。この増加は、腫瘍体積の減少と線形の相関を示した。このことから、早期の線量変化が ART の指標になりうると示唆される。
結論:本研究は、ラジオミクスとドジオミクスを統合し、NSCLC の放射線治療中の腫瘍縮小を予測するモデルを作ることを目指した。予測の対象は、NSCLC の放射線治療中の腫瘍縮小である。複合モデルの予測性能が最も高かった。CBCT にもとづく予備的な線量検証で、腫瘍縮小に感受性の高い患者では早期 ART が実施可能であると示された。
掲載誌の IF 相当:2.2(OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF(Clarivate)ではない)書誌:Zhang F, Zhang L, Li Z, Hu X, Liu Z. Integrating radiomics and dosiomics to predict tumor regression for early adaptive radiotherapy in NSCLC patients. Applied Radiation and Isotopes. 2027 Jan;239:113096. doi:10.1016/j.apradiso.2026.113096.確認の範囲:抄録のみ確認 - EGFR mutation prediction in NSCLC from CT images via self-supervised disentangled feature learning and multimodal fusion.抄録(全訳)
背景:非小細胞肺がん(NSCLC)では、上皮成長因子受容体(EGFR)変異の有無が精密な診断と治療に関わる。コンピュータ断層撮影(CT)で EGFR 変異の有無を非侵襲的に予測できれば、精密な診断と治療を進めるうえで非常に重要である。現在の検出法は侵襲的な組織生検に頼っており、いくつかの限界がある。本研究の目的は、深層学習とマルチモーダル情報を統合した予測モデルを作ることである。モデルは造影 CT(CE-CT)画像を使い、NSCLC 患者の EGFR 感受性変異を非侵襲的に予測する。対象の変異はエクソン 19 欠失と L858R 点変異である。
方法:病理で NSCLC と確定した 466 例を 2 施設から後ろ向きに集めた。内訳は、自施設の 413 例(モデル開発と内部検証用)と他施設の 53 例(独立した外部検証用)である。そのうえで、著者らは新しい枠組みを提案した。この枠組みは、分離型自己教師あり学習(D-SSL)とマルチモーダル情報のゲート付き融合を組み合わせる。D-SSL のエンコーダーは、内部コホート 413 例全体の CT 画像と腫瘍の関心領域(ROI)マスクで事前学習した。事前学習に EGFR 変異のラベルは使っていない。学習後のエンコーダーは固定し、その後の分類に用いた。次に、適応型のゲート付き融合ネットワークを作った。このネットワークは、深層特徴に従来のラジオミクス特徴と臨床情報を動的に統合する。これにより EGFR 感受性変異の有無を予測する。
結果:ランダム分割を 20 回繰り返して評価した。D-SSL 融合モデルの平均 AUC は、訓練セットで 0.800(±0.052)、内部テストセットで 0.794(±0.048)だった。一元配置分散分析(ANOVA)と Tukey HSD 事後検定で比較した。内部テストセットでは、D-SSL 融合モデルの性能が他のモデルより有意に高かった。比較対象は臨床モデル、ラジオミクスモデル、ラジオミクス・臨床融合モデルである(いずれも p < 0.001)。外部検証セットは完全に独立しており、D-SSL の事前学習にも下流のモデル開発にも使っていない。このセットでも D-SSL 融合モデルは安定した性能を保ち、平均 AUC は 0.680(±0.038)だった。アブレーション研究では、形状ヘッドだけ、テクスチャヘッドだけを使うモデルも調べた。平均 AUC はそれぞれ 0.680(±0.023)と 0.684(±0.028)だった。どちらも完全な D-SSL 融合モデルより有意に低かった(いずれも p < 0.001)。形状特徴とテクスチャ特徴が互いに補い合うことが確かめられた。サブグループ解析では、モデルの正解率がどの群でも偶然の水準(50%)を有意に上回った。正解率は女性 83.65%(±3.97%)、男性 68.90%(±3.72%)、喫煙者 85.07%(±4.41%)、非喫煙者 69.21%(±3.44%)である。この結果は、モデルが臨床的特徴だけに頼っていないことを示唆する。むしろ、EGFR 感受性変異に関連する深い画像表現型を捉えていることがうかがえる。特徴の可視化解析では、D-SSL の特徴空間で画像所見のさまざまな型と病理分類を効果的に区別できた。この解析で、モデルは識別力が高く臨床的に意味のある画像表現型を捉えられることが確かめられた。
結論:この枠組みは、D-SSL とマルチモーダル融合を統合したものである。内部でのトランスダクティブな評価では、高い識別能を示した。完全に独立した外部コホートでも、予測上の価値を保っていた。この結果は、自己教師あり表現学習とゲート付きマルチモーダル融合の可能性を支持する。ただし、より大規模な多施設研究がまだ必要である。その際には、事前学習の前にデータを分割する、厳密に帰納的な設計を用いる必要がある。
掲載誌の IF 相当:8.6(OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF(Clarivate)ではない)書誌:Jin J, Cai H, Liu Y, Cai W, Han H, Hu M, et al. EGFR mutation prediction in NSCLC from CT images via self-supervised disentangled feature learning and multimodal fusion. J Transl Med. 2026 Aug 11;24(1):1406. doi:10.1186/s12967-026-08778-8.確認の範囲:抄録のみ確認