AIとがん研究 ── 肺がん ── 2026-11-20
肺がんの治療・治験とAI
- Machine learning-based differentiation of malignant and non-malignant pleural effusion in lung cancer patients: a multicenter retrospective study.抄録(全訳)
背景:悪性胸水(MPE)は肺がんでよくみられる合併症である。予後不良と関連し、臨床的負担も大きい。悪性胸水と非悪性胸水を見分けるのはまだ難しい。胸水細胞診や胸膜生検の確定結果が未着の場合、結論に至らない場合、遅れている場合は特に判別が難しい。本研究の目的は、肺がん患者の MPE を補助的に分類する機械学習モデルを開発し、検証することである。対象は、肺がんと診断され、腫瘍に関する病理・病期情報の一部が得られた後の患者とした。
方法:後ろ向きの多施設研究である。2 つの三次医療機関から、胸水のある肺がん患者計 715 例を組み入れた。山西コホート(長治医学院附属和平医院)は 420 例で、開発コホートとした。安徽コホート(銅陵市人民医院)は 295 例で、独立した外部検証コホートとした。開発コホートは、7:3 の比で訓練セットと内部テストセットに無作為に分割した。訓練セットは 295 例、内部テストセットは 125 例となった。臨床・検査・病理の変数を集めた。特徴量は、訓練セット内で LASSO(least absolute shrinkage and selection operator)回帰により選択した。7 種類の機械学習アルゴリズムでモデルを作り、評価した。モデルの性能は、受信者動作特性(ROC)曲線、較正解析、決定曲線解析で評価した。外部検証には、独立した安徽コホートを用いた。
結果:予測因子として、年齢、Ki-67 指数、リンパ節転移、腫瘍径、総コレステロール、血清アルブミンの 6 つを選んだ。内部検証では、複数の機械学習モデルが同程度の性能を示した。XGBoost モデルの曲線下面積(AUC)は、内部テストセットで 0.97、独立した外部検証コホートで 0.91 であった。訓練データから決めた判定閾値では、外部検証での感度は 0.35、特異度は 0.98 であった。全体の識別能は良好だが、除外診断の性能は限られることを示している。SHAP 解析からは、腫瘍量に関わる変数と全身状態がモデルの出力に大きく影響することが示唆された。
結論:肺がん患者の悪性胸水と非悪性胸水を補助的に分類する機械学習モデルを開発した。対象は、肺がんの診断がつき、腫瘍に関する病理や病期の情報が一部得られた後の患者である。外部検証では識別能は良好だった。ただし、訓練データから決めた判定閾値での感度は限られていた。このため、本モデルは補助ツールの候補としてのみ扱うべきである。臨床に導入する前に、前向きの多施設検証と再較正がさらに必要である。本モデルは、細胞診や組織病理による確定診断に代わるものではない。
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:Cai Q, Wu Y, Wang J, Gao Q, Xing Y, Kang M, et al. Machine learning–based differentiation of malignant and non-malignant pleural effusion in lung cancer patients: a multicenter retrospective study. BMC Cancer. 2026 Aug 21;26(1):1451. doi:10.1186/s12885-026-16755-z.確認の範囲:抄録のみ確認