臨床転帰と関連する指標を用いた全身FDG-PET/CTからの解釈可能な予測

がん医療のための賢いスキャン

医師は既に強力な全身スキャンをがんの発見や経過観察に頼っていますが、これらの画像に含まれる情報の多くは目で解析するには複雑すぎて活用されていません。本研究は、人工知能（AI）システムが全身がんスキャンをコンパクトで解析しやすい形に変換しつつ、患者の腫瘍や全身状態について正確で理解しやすい予測を行えることを示します。このアプローチは単に高性能であるだけでなく、臨床医がAIの「注目箇所」を確認できる程度に透明性を持たせることを目指しており、コンピュータ支援の判断に対する信頼構築に寄与します。

3次元全身スキャンを平坦な画像ストリップに変換する

研究者らは、がん患者と健康対照者を含む1000件以上のPET/CTスキャンを用いました。これらのスキャンは体の構造（CT）と組織の糖代謝活性（PET）を示しており、がんは通常、正常組織より多くの糖を消費するため重要な情報を含みます。全ての3次元画像をそのままAIに投入すると計算負荷が非常に大きくなるため、研究ではスキャンを2次元の「投影」に縮約しました。さらに体を骨、筋肉や臓器などの除脂肪組織、体脂肪、肺のような空気充填領域といった単純な組織群に分割しました。各組織タイプと異なる視点ごとに、組織の見た目や代謝活性を捉える画像チャネルを作成し、それらを各被験者ごとに一つのコラージュ状画像に配列しました。

AIに健康のシグナルを読み取らせる

こうした組織別コラージュを用いて、研究チームはがんの転帰に関係すると知られる複数の主要な数値を予測する深層学習モデルを訓練しました。これには総代謝性腫瘍体積（活動性腫瘍の量の指標）、個別病変の数、患者の年齢、がんの有無が含まれます。モデルには性別判定も課されました。腫瘍体積のようにスキャン上で目に見える目標もあれば、年齢のように一見して明らかでないものもあり、後者には身体構造や代謝の微妙なパターンをAIが捉える必要があります。評価を公平にするため、研究者らはデータを繰り返し訓練・検証に分割し、各スキャンがある時点で独立したテストとして扱われるようにしました。

システムの性能

すべての組織特異的PETチャネルを用いたAIは、腫瘍体積や病変数を高精度で予測し、スキャンの全スライスを精査するより複雑な3次元手法に迫る性能を示しました。平均で年齢をおよそ7年の誤差で推定し、性別分類はほぼ完璧に近い精度でした。がんの有無の判定においても非常に高い精度を達成しました。重要なのは、複数の組織情報や視点を含めることで、単一の簡素な画像を使う場合と比べてほとんど常に性能が向上した点です。これは、がんが明らかなホットスポットだけでなく、全身にわたるより微妙な変化にも“痕跡”を残しており、これを多チャネル投影が明らかにすることを示唆します。

AIがどこを見ているかを可視化する

AIはブラックボックスのように振る舞うという一般的な懸念に応えるため、研究者らはサリエンシーマッピングと呼ばれる手法を用いて、どの画像領域が各予測に最も影響を与えたかを強調しました。腫瘍体積やがんの有無のマップにおけるホットスポットは実際の腫瘍位置と一致し、モデルが医療的に妥当な領域に注意を向けていることを示しました。年齢予測では肝臓、大腿や肩の筋肉、骨盤付近の領域などに注目しており、これらは年齢や体組成とともに変化することが知られています。性別分類では胸部や骨盤領域に集中していました。患者群全体で確認されたこれらのパターンは、システムがランダムなノイズに頼るのではなく意味のある手掛かりを学習していることを示唆します。

患者にもたらす可能性

本研究は概念実証の初期段階ではありますが、複雑な全身がんスキャンを効率的で解釈可能な2D画像へと要約しても、臨床的に重要な情報をAIが予測できることを示しています。将来的には、同様のモデルが腫瘍の大きさや数を超えて、患者の予後（生存期間の推定）、治療反応の予測、病勢の進行評価などを既存のルーチン検査データから推定する可能性があります。さらに、この手法はAIがどこに基づいて答えを出しているかを示すため、医師がその示唆をよりよく理解し信頼するのに役立ち、より個別化され透明性のあるがんケアの支援につながるでしょう。

引用: Tarai, S., Lundström, E., Ahmad, N. et al. Interpretable predictions from whole-body FDG-PET/CT using parameters associated with clinical outcome. Commun Med 6, 232 (2026). https://doi.org/10.1038/s43856-026-01567-w

キーワード: FDG-PET/CTイメージング, 腫瘍学における深層学習, 腫瘍負荷の予測, 説明可能なAI, 臨床転帰モデリング