術前CTを用いた畳み込みニューラルネットワークによる切開ヘルニア修復後の短期再発予測

術後合併症の予測が重要な理由

以前の切開部に生じた腹壁ヘルニアを修復する手術を受ける人は、修復が長持ちすることを望みます。しかしかなりの割合でヘルニアが再発し、痛みや追加手術、費用の増加を招くことがあります。外科医は通常、経験といくつかの臨床因子に基づいて再発リスクを推定しますが、その判断は完全ではありません。本研究は、日常的に取得される術前CT画像を使って学習した一種の人工知能が、切開ヘルニア修復後にどの患者が再発しやすいかを予測できるかどうかを検討します。

日常的なスキャンを予測に変える

研究者たちは2016年から2019年にかけて大病院で切開ヘルニアの修復手術を受けた528人の患者を遡及的に調査しました。全員が手術前に腹部のCTスキャンを撮影しており、ヘルニアの大きさや位置、形状および周囲組織が捉えられていました。研究チームはヘルニア領域を示す44,380枚の個別スライス画像を抽出し、識別情報をすべて除去して画像を統一フォーマットに標準化したうえで、大きな訓練セットと小さなテストセットに分割しました。重要なのは、コンピュータモデルが訓練中にテスト画像を「見て」いないことにより、新しい患者に対する性能を公正に評価できる点です。

コンピュータは画像からどう学ぶか

スキャン解析には、畳み込みニューラルネットワークとして知られる三つの一般的なディープラーニング画像モデルを用いました。これらのネットワークは、もともと写真中の物体認識などのタスクに開発され、複雑な画像のパターン検出に優れています。訓練中、各CTスライスにはその患者のヘルニアが後に再発したか否かでラベル付けがなされました。ネットワークは予測と実際の結果を繰り返し比較し、誤差を減らすよう内部の結合を調整します。患者ごとには複数のスライスからのモデル予測を統合して、再発リスクの単一の推定値を算出しました。

どのモデルが最も優れていたか

使用した三つのモデル—ResNet-50、より深いResNet-152、およびVGG16—は同等の性能ではありませんでした。未見の画像でテストした結果、ResNet-50は再発する患者としない患者を識別する能力が最も高いことが示されました。その性能は、受信者操作特性曲線下面積（AUC）という標準的な指標で表され、他の二つのネットワークよりも明らかに高値でした。統計解析はこれらの差が偶然によるものとは考えにくいことを裏付けました。ネットワークが何に注目しているかを可視化する手法も併用し、予測に重要な画像領域を強調したところ、ヘルニア欠損部や腹壁周辺が特に重視されていることが明らかになりました。

患者と外科医にとっての意義

こうした画像ベースの予測ツールが改善され、複数施設で妥当性が確認されれば、外科医の評価に対する客観的な第二の意見を提供できる可能性があります。標準的なケアの一環としてすでに撮影されているスキャンから術前に算出される、より正確な再発リスクの推定は、手術の時期、手術手技の選択、メッシュの種類やサイズ、専門のヘルニアセンターでの治療を受けるべきかどうかといった意思決定を導くのに役立ちます。例えば高リスクの患者には修復を強化する追加の対策が検討され、低リスクの患者はより侵襲的な介入を避けられる可能性があります。

次の一歩

著者らは本研究が完成された臨床用ツールというより初期の概念実証であることを強調しています。本研究は単一施設の患者に基づいており、ディープラーニングの基準からすると症例数は比較的少なく、画像のみを用いており、全身状態や既往手術、手術手技などの重要な因子を無視しています。今後の研究では、CT由来の特徴と詳細な臨床・手術情報を組み合わせ、より大規模で多様な患者群でモデルを検証し、臨床家にとって理解可能で信頼できる予測を提供する必要があります。それでも、日常的な医療画像の賢い解析がいつの日かヘルニア手術の個別化を助け、再手術の可能性を減らす手助けになることを示唆しています。

引用: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

キーワード: 切開ヘルニア, ヘルニア再発, ディープラーニング, CT画像, 外科的成績