AIとがん研究 ── 脳腫瘍 ── 2026-11-20

脳腫瘍 1 本。筆頭: スーパーボクセル・グラフTransformerによる、多モードMRIからの軽量で解釈可能な脳腫瘍領域分割
脳腫瘍の治療・治験とAI
- A Supervoxel Graph-Transformer Framework for Lightweight and Interpretable Brain Tumor Segmentation from Multimodal Magnetic Resonance Imaging.抄録(全訳)
多モードMRIで脳腫瘍の各亜領域を正確に切り分けることは、診断と治療計画に欠かせない。しかし多くの深層学習手法は数百万のボクセルを処理するため、計算の負荷が大きい。
スーパーボクセルのグラフにTransformerを組み合わせた枠組み、TransformerGNNを提案する。この枠組みでは、立体画像の領域分割を、疎なグラフ上のノード分類に置き換える。各症例の多モード画像(FLAIR、T1、T1ce、T2)は、約2,000個のSLICスーパーボクセルに分ける。これにより、約890万個のボクセルが1つの領域隣接グラフに集約される。グラフの各ノードは、多モードの信号強度と空間上の特徴を持つ。モデルではTransformerConv層を積み重ねる。これにより、グラフの接続関係とマルチヘッド・アテンションの両方を使う。
BraTS 2020での平均Dice係数は0.9002だった。内訳は腫瘍全体(WT)0.9579、腫瘍コア(TC)0.8393、造影される腫瘍(ET)0.9033である。繰り返し実行した場合は0.893 ± 0.005だった。対応のあるアブレーション検定で、グラフの接続関係が性能に寄与していることを確かめた。腫瘍全体と造影される腫瘍のDice係数については、アテンションの寄与も確かめた。
パラメータ数は1.36 Mである。16 GBのノートPCでは、ネットワークの順伝播が0.10秒で終わり、メモリ使用量は約1.5 GBだった。ただし画像1件あたりの処理全体には約32秒かかり、その大半はスーパーボクセルの生成に費やされる。事後的な勾配ベースのサリエンシーにより、領域単位・モダリティ単位の寄与が示される。ただし、その臨床上の価値はまだ検証されていない。
掲載誌の IF 相当:2.0(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:Ondo Minko AR, Tchagna Kouanou A, Mbuyi Bidikuchance V, Camara B, Kamguia H, Balde C. A Supervoxel Graph-Transformer Framework for Lightweight and Interpretable Brain Tumor Segmentation from Multimodal Magnetic Resonance Imaging. Biomed Phys Eng Express. 2026 Nov 17 [Epub ahead of print]. doi:10.1088/2057-1976/aec2f6.確認の範囲:抄録のみ確認