AIとがん研究 ── 膵がん ── 2026-11-12
膵がんの治療・治験とAI
- PancreaGuide for Computed Tomography Report Interpretation and Perioperative Consultation in Pancreatic Cancer: Development and Retrospective Evaluation of a Knowledge-Augmented Large Language Model Agent.抄録(全訳)
背景:膵がんの診療には大きな課題が残っている。病状や切除可能性に関わる情報を正確に読み取ること、そして周術期に十分な意思疎通を図ることである。日常診療では、CT 報告書が構造化されておらず、臨床情報も複雑である。このため、臨床情報の伝わりやすさと一貫性が損なわれるおそれがある。臨床医の説明の負担も増えうる。大規模言語モデル(LLM)は、臨床情報の支援に新しい機会をもたらす。しかし、既存の応用は特定の作業に限られることが多い。CT 報告書の解釈と周術期相談を、患者中心の一つの枠組みにまとめた例はほとんどない。
目的:本研究の目的は、知識拡張型 LLM エージェント PancreaGuide を開発し、後ろ向きに評価することである。PancreaGuide は臨床医の監督下で使う前提で設計した。支援の対象は二つある。CT 報告書から膵がんの切除可能性に関わる情報を読み取ることと、標準化した周術期相談を行うことである。
方法:構造化プロンプト、検索拡張生成、膵臓外科に特化した知識ベースを統合した。これらを組み合わせて、臨床情報の解釈と周術期相談を支援する。対象は、2023〜2025 年に華西医院(West China Hospital)で造影 CT を受けた 444 例の後ろ向きコホートである。3 つの LLM(ChatGPT、DeepSeek、Gemini)を評価した。いずれも基本の構成と PancreaGuide を組み込んだ構成の両方で調べた。CT 報告書から切除可能性に関わる情報を読み取る性能は、手術に基づく代替の参照基準に照らして評価した。指標には、正解率、感度、特異度、陽性的中率、陰性的中率、F 1 スコアを用いた。受信者動作特性(ROC)曲線と決定曲線分析(DCA)も用いた。周術期相談の質は 5 つの側面で評価した。正確性、網羅性、一貫性、安全性、頑健性である。
結果:3 つの基盤モデルのいずれでも、PancreaGuide を組み込むと分類指標の点推定値が高くなった。CT 報告書からの切除可能性関連情報の解釈では、Gemini+ の正解率が最も高かった。正解率は 87.4%(95% 信頼区間 0.840〜0.902)、感度は 95.9%(95% 信頼区間 0.927〜0.978)だった。PancreaGuide を組み込むと、すべてのモデルで感度と特異度の推定値が改善した。モデルが生成した解釈と、実際の外科的管理状況との一致も改善した。手術に基づく代替参照基準のもとでの ROC と DCA では、識別能と推定純便益の改善が示唆された。周術期相談では、PancreaGuide を組み込んだモデルの専門家評価点が、5 つの側面のいずれでも対応する基本モデルを上回った。総合点が最も高いのは Gemini+(平均 3.88、標準偏差(SD)0.38)だった。ChatGPT+(平均 3.8、SD 10.36)、DeepSeek+(平均 3.75、SD 0.35)が続いた。改善が最も大きかったのは網羅性と頑健性である。臨床相談の各領域で一貫した向上がみられた。
結論:複数の LLM を基盤として利用できる。臨床医の監督のもとで、CT 報告書から切除可能性に関わる情報を読み取る作業と、周術期の情報提供を支援する。CT に基づく結果は、実際の外科的管理状況との一致を示すものとして解釈すべきである。独立に判定された解剖学的な切除可能性に照らして検証したものではない。PancreaGuide は、情報の解釈を補助する枠組みとして役立つ可能性がある。臨床情報の伝わりやすさと一貫性を高められる可能性がある。ただし、正式な放射線学的評価、多職種による評価、臨床医の判断に代わるものではない。
掲載誌の IF 相当:11.8(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:Kuang T, Wang R, Zhang S, Sun Y, Zhou J, Wu Z, et al. PancreaGuide for Computed Tomography Report Interpretation and Perioperative Consultation in Pancreatic Cancer: Development and Retrospective Evaluation of a Knowledge-Augmented Large Language Model Agent. J Med Internet Res. 2026 Nov 9;28:e101607-e101607. doi:10.2196/101607.確認の範囲:抄録のみ確認 - An Explainable Multimodal Deep Learning Framework for Early Pancreatic Cancer Prediction from Imaging and Clinical Data抄録(全訳)
膵がんの治療計画を効果的に立てるには、早期予測と多段階の診断分類が欠かせない。分類は AJCC TNM 病期分類の基準に沿い、正確である必要がある。深層学習(DL)の手法は有望な結果を示しているが、その予測を解釈するのはまだ難しい。本研究は、Squeeze-and-Excitation Visual-Efficient Tabular Network(SE-VETNet)を提案する。SE-VETNet は解釈可能なマルチモーダル DL フレームワークである。医用画像と臨床データを使い、膵がんの早期予測と多段階の診断分類を行う。画像の処理には、Visual Geometry Group(VGG)と EfficientNet のアーキテクチャを組み合わせた。両者には、特徴を再較正する Squeeze-and-Excitation(SE)ブロックを加えた。臨床特徴の抽出には Tabular Network(TabNet)を使う。注意機構は、関連する腫瘍の特徴と臨床属性を特定する。処理パイプラインには、最適化したものを用いる。これにより、画像の細部と臨床データの完全性を保ちながら、計算効率を高める。クラス不均衡に対しては、訓練データに限って均衡化を行った。5 分割交差検証で頑健に評価し、生じうるバイアスを最小限にした。実験では、すべての分割で一貫した性能が得られた。5 つの診断群(健常と T1〜T4)での平均テスト正解率は 99.21% で、ばらつきは小さかった。さらに、説明可能な人工知能(XAI)の手法から、画像と臨床の特徴がそれぞれどう寄与するかの知見が得られる。画像側には勾配重み付きクラス活性化マッピング(Grad-CAM)を用いた。Grad-CAM の結果は、専門家による正解マスクと Intersection over Union(IoU)で照合し、定量的に検証した。臨床の特徴については、TabNet の注意を用いた。SE-VETNet は、マルチモーダル学習、頑健な評価、説明可能性を統合している。早期膵がんの予測、多段階の病期分類、透明な臨床意思決定に向けた有望な手法である。ただし、独立した多様な臨床データセットでの検証がまだ必要である。汎化性を確立し、実際の導入に向くかどうかを評価するためである。
掲載誌の IF 相当:3.5(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:AbdelAziz NM, Fawzy AM, Shehata EK, AbdelHafeez MM. An Explainable Multimodal Deep Learning Framework for Early Pancreatic Cancer Prediction from Imaging and Clinical Data. Sci. 2026 Nov 9;8(11):360. doi:10.3390/sci8110360.確認の範囲:抄録のみ確認