AIとがん研究 ── 肺がん ── 2026-11-17

肺がんの治療・治験とAI
- A decentralized federated learning approach for predicting chemoradiotherapy response from multicenter whole-slide images.抄録(全訳)
目的:非小細胞肺がん(NSCLC)の全スライド画像(WSI)データは、施設や規制の壁があり、多施設で一か所に集めて共有するのが難しい。連合学習(FL)を使えば、生の WSI データを一か所に集めなくても、複数施設が共同でモデルを作れる。本研究では、進行 NSCLC の化学放射線療法への反応を予測するため、WSI にもとづく FL モデルを検討した。その性能を、集中型の深層学習(DL)モデルや臨床モデルと比べた。比較には多施設の外部検証コホートを使った。
方法:4 病院の患者 250 例から、WSI と対応する臨床データを集めた。WSI をもとに、集中型の DL モデルと FL モデルを作った。画像の小領域(パッチ)ごとの予測は、投票法で患者単位の結果にまとめた。さらに、臨床データからロジスティック回帰の臨床モデルを作った。すべてのモデルを、独立した二つの外部コホート(病院 C と病院 D)で評価した。5 分割交差検証からは、五つのモデルが得られた。性能は、これら五つのモデルの平均と 95% 信頼区間で示した。
結果:二つの外部検証コホートのどちらでも、WSI にもとづくモデルの性能は臨床モデルより一貫して高かった。FL モデルの性能は DL モデルと同程度だった。病院 C での正解率/曲線下面積(AUC)は、DL モデルが 0.68/0.64、FL モデルが 0.70/0.65 だった。臨床モデルは 0.58/0.58 だった。病院 D では、DL モデルが 0.68/0.68、FL モデルが 0.73/0.71 だった。臨床モデルは 0.61/0.59 だった。
結論:WSI を使う FL モデルの NSCLC の転帰予測の性能は、集中型の DL モデルと同程度だった。しかも、参加した各施設はデータを自施設に置いたままでよい。また、独立した外部検証コホートのいずれでも、性能は安定していた。この手法は、多施設の病理研究でモデルを共同開発するための実用的な方法となる。データの共有が制限される状況では、特に役立つ。
掲載誌の IF 相当:4.8(OpenAlex の直近 2 年の平均被引用数・2026-11-12 時点の値、2026-11-13 に取得。正式な IF(Clarivate)ではない)書誌:Liu Y, Pan Y, Tian Y, Zhang S, Liu Q, Qiu J, et al. A decentralized federated learning approach for predicting chemoradiotherapy response from multicenter whole-slide images. BMC Cancer. 2026 Aug 19;26(1):1422. doi:10.1186/s12885-026-16716-6. PMID: 43035727.確認の範囲:抄録のみ確認