AIとがん研究 ── 肺がん ── 2026-11-19
肺がんの治療・治験とAI
- A Meta-Research Review of Statistical Practices for Image-Reliant AI Tools Predicting Lung Cancer Outcomes抄録(全訳)
肺がんの臨床判断を支えるため、医用画像を使う AI モデルの提案が増えている。そのため、こうしたモデルの方法論の厳密さと透明性を評価する必要がある。著者らは、横断的なメタリサーチ・レビューを行った。目的は、モデルがどう開発・評価・報告されているかを調べ、統計のベストプラクティスとの差を特定することである。対象は、OpenAlex に索引付けされた研究(2023 年 1 月 1 日〜2025 年 6 月 30 日)とした。そのうち、肺がんのリスク予測・検出・予後予測のための画像ベース AI ツールを開発した研究を選んだ。
組み入れ基準を満たした研究は 36 件であった。大半の研究は畳み込みニューラルネットワークを使っていた(27 件、75%)。最も多く報告された評価指標は曲線下面積(AUC)であった(29 件、81%)。何らかの不確実性の定量化を報告した研究は 23 件(64%)あった。ただしその多くは、全体の性能指標(AUC、感度、正確度など)の信頼区間を示すだけであった。個々の予測やリスクの水準での不確実性は示されていなかった。よく見られた限界は 3 つあった。外部テストセットの利用の少なさ(14 件、39%)、サブグループ解析の不足(10 件、28%)、確立した予測モデル報告ガイドラインへの準拠の乏しさである。
総じて、今後の研究では、報告の標準化、外部テストセットの利用、臨床的に重要な部分集団ごとの性能評価を優先すべきである。AI による予測モデルの性能は高まり続けている。一方で、研究デザイン・評価・報告の方法はまちまちである。この状況から、この分野でより厳密で透明な方法論の基準を早急に取り入れる必要がある。(資金提供:Yale School of Public Health)
掲載誌の IF 相当:27.2(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)書誌:Hou Y, Ward T, Yang CH, McGrath S, Jernigan E, Caturegli G, et al. A Meta-Research Review of Statistical Practices for Image-Reliant AI Tools Predicting Lung Cancer Outcomes. NEJM AI. 2026 Nov 16 [Epub ahead of print]. doi:10.1056/aira2600064. PMID: 43037489.確認の範囲:抄録のみ確認 - Development of an automated machine learning classifier for chronic obstructive pulmonary disease in non-small cell lung cancer patients using electronic health records.抄録(全訳)
背景:慢性閉塞性肺疾患(COPD)は、非小細胞肺がん(NSCLC)患者の 40〜60% にみられる。しかし診断も治療も行き届かないことが多く、不良な転帰の一因となっている [1]。
方法:NSCLC 患者 4,604 例を対象に、後ろ向きコホート研究を行った。COPD 診断の参照基準は、手作業によるカルテレビューとした。レビューは GOLD(慢性閉塞性肺疾患のためのグローバルイニシアチブ)の基準に基づき、開発セット(DS、600 例)とテストセット(TS、294 例)で実施した。予測因子の選択には、LASSO(least absolute shrinkage and selection operator)ロジスティック回帰を用いた。二値の分類器を作るため、ロジットの閾値を 2 つ選んだ。1 つは COPD の特定に用いる、特異度 95% 以上の品質改善用閾値(QIT)である。もう 1 つは Youden 指数に基づく閾値(YT)で、生存解析と、画像上の肺気腫との関連の評価に用いた。
結果:分類器の受信者動作特性曲線下面積(AUC)は、DS と TS のいずれでも 0.93 であった(95% 信頼区間はそれぞれ 0.91〜0.95、0.91〜0.96)。QIT のロジットのカットオフ値は、DS で 0.9242 以上、TS で 0.9625 以上であった。感度はそれぞれ 69% と 72%、特異度は 95% と 96% であった。陽性的中率(PPV)は 93%、陰性的中率(NPV)は 77% と 80% であった。 COPD の可能性がある例の有病率は、DS で 48%、TS で 46% であった。未治療の可能性がある例の割合は、DS で 41%、TS で 46% であった。QIT 分類器は、COPD の可能性がある例を DS で 69%、TS で 72% 特定した。未治療の可能性がある例については、DS で 40%、TS で 50% を特定した。PPV は DS で 85%(95% 信頼区間 73〜93%)、TS で 86%(95% 信頼区間 71〜95%)であった。YT では、感度と特異度がいずれも 88% であった。 Cox 比例ハザードモデル(4,501 例、死亡 1,959 例)では、YT による COPD 判定(YT-COPD)が死亡率の上昇と関連した。この関連は、臨床病期による有意な効果修飾を受けていた(P = 0.003)。病期別の YT-COPD のハザード比は次のとおりである。 - I 期:ハザード比 1.71(95% 信頼区間 1.30〜2.44、P < 0.001) - II 期:ハザード比 1.72(95% 信頼区間 1.15〜2.59、P = 0.009) - III 期:ハザード比 1.67(95% 信頼区間 1.34〜2.08、P < 0.001) - IV 期:ハザード比 1.29(95% 信頼区間 1.15〜1.44、P < 0.001) さらに、分類器が予測した COPD(YT)は、画像上の肺気腫と強く関連した(P < 0.001)。
結論:これにより、NSCLC で COPD の可能性がある例と、未治療の COPD の可能性がある例を特定できる。予後に関する妥当性も備え、拡張しやすく低コストな品質改善や研究に活用できる可能性がある。広く導入する前に、ほかの施設や電子カルテ(EHR)システムでの外部検証が必要である。
掲載誌の IF 相当:3.4(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Halawa AR, Robles SE, Ferguson J, Young C, Sainz PV, Lu SC, et al. Development of an automated machine learning classifier for chronic obstructive pulmonary disease in non-small cell lung cancer patients using electronic health records. BMC Pulm Med. 2026 Aug 21;26(1):573. doi:10.1186/s12890-026-04448-z. PMID: 43040280.確認の範囲:抄録のみ確認