AIとがん研究 ── 脳腫瘍 ── 2026-11-19
脳腫瘍の治療・治験とAI
- Deep learning MGMT promoter methylation status prediction in IDH-wildtype glioblastoma using multiparametric MRI: Benchmark vs. real‑world performance.抄録(全訳)掲載誌の IF 相当:2.1(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-18 に取得。正式な IF(Clarivate)ではない)
- QSVQ-Net: A morphology-conditioned spiking–variational quantum network for interpretable brain tumour MRI classification抄録(全訳)
磁気共鳴画像(MRI)から脳腫瘍を正確に、しかも根拠が分かる形で分類することは、治療計画の中心となる。ただ、性能の高い深層学習モデルは、確率の較正(キャリブレーション)が不十分なことが多い。単一のデータセットを超えて検証されることも、ほとんどない。
QSVQ-Net は、量子計算と古典計算を組み合わせた枠組みである。EfficientNet-B0 と複素数値スパイキングニューラルネットワークを、形態で条件づけた変分量子回路に結合する。この回路では、18 個の形態・ラジオミクス記述子が、学習可能な写像を通じて量子ビットの回転を定める。
評価項目は次のとおりである。評価は、信頼区間付きの 5 分割交差検証、較正、シードをそろえた複数回のアブレーション、回路自体の特性評価からなる。さらに、マスクなしで推論するための補助的な病変位置推定と、古典的な基準モデルと比べる外部検証も行った。
BRISC-2025 のテスト区分では、QSVQ-Net の正解率は 98.8%、期待較正誤差は 0.006 だった。5 分割交差検証では 99.48%(95% 信頼区間 98.91〜100.0)だった。EfficientNet-B0(99.57%)とは統計的に区別できなかった(対応のある t 検定、P = 0.59)。
量子部分の性能は、パラメータ数をそろえた古典的な対照と、信頼区間が重なる範囲だった。そのため著者らは、量子による正解率の優位性は主張していない。
マスクのない独立したデータセットでは、QSVQ-Net の正解率は 72.6% に下がった。古典的な基準モデルは 90〜93% を保った。この限界の原因を、形態情報の分岐にたどった。
このように QSVQ-Net は、再現可能で、特性を透明に示した量子・古典の設計を提供する。あわせて、形態で条件づけた量子符号化が役立つ場面と役立たない場面を、率直に示す。
掲載誌の IF 相当:5.9(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:Abinash P, Krishnamoorthy N. QSVQ-Net: A morphology-conditioned spiking–variational quantum network for interpretable brain tumour MRI classification. Sci Rep. 2026 Nov 16 [Epub ahead of print]. doi:10.1038/s41598-026-76936-5.確認の範囲:抄録のみ確認