肺結節として現れる肺腺癌前駆病変および早期肺腺癌を対象とした画像ベースの人工知能モデルの開発と検証
Imaging-based development and validation of artificial intelligence models for lung adenocarcinoma precursor lesions and early lung adenocarcinoma presenting as pulmonary nodules
肺結節の浸潤度を術前に正確に評価することは困難である。本研究では、CT画像の特徴量と臨床変数を統合したマルチモーダルフレームワークを開発し、内部検証を行った。対象は、腺癌前駆病変247例(異型腺腫過形成および上皮内腺癌)と浸潤性病変932例(最小浸潤腺癌および浸潤腺癌)の計1,179例の病理学的に確認された肺結節である。CTボリュームを0.5mm等方性解像度にリサンプリングし、64×64×64ボクセルパッチに切り出した。学習済みの凍結DINOv3バックボーンを用いてスライスレベルの特徴量を抽出し、学習可能なAttention Probeで集約した。エンコードされた臨床変数と画像特徴量を自己注意機構と双方向クロス注意機構で統合し、ニューラル分類と回帰木分類を行った。内部検証では、5分割交差検証を用いた。テストデータセットにおけるAUCは平均0.8566であり、プールされた予測ではAUC 0.847、精度0.809、感度0.806、特異度0.822、F1スコア0.873を達成した。DINOv3とNCARTがそれぞれ特徴抽出器と分類器の中で最も高い点推定AUCを示した。中間フュージョンは、Gouldスコアや臨床データのみのモデルよりも有意に優れていた。二次解析では、上皮内腺癌と異型腺腫過形成の鑑別においてAUC 0.780を達成した。提案されたフレームワークは、肺結節の浸潤度を内部検証で識別できたが、臨床実装には外部多施設および前向き検証が必要である。
- CT画像特徴量と臨床変数を統合したマルチモーダルAIフレームワークを開発し、肺結節1,179例(腺癌前駆病変247例、浸潤性病変932例)で内部検証を実施。
- 凍結したDINOv3バックボーンでスライス特徴量を抽出し、学習可能なAttention Probeで集約する構成を採用。
- ニューラル分類と回帰木分類を組み合わせたNCARTが分類器として最も高い点推定AUCを示した。
- 5分割交差検証でテストデータのAUC平均0.8566、プール予測でAUC 0.847・精度0.809・F1スコア0.873を達成。
- 中間フュージョンはGouldスコアや臨床データのみのモデルより有意に優れ、上皮内腺癌と異型腺腫過形成の鑑別でもAUC 0.780を達成。
- 臨床実装には外部多施設および前向き検証が必要と論文自身が明記している。
医療画像AIの研究報告であり、CT画像と臨床変数を統合したマルチモーダルモデルが肺結節の浸潤度評価でAUC 0.85前後を達成した点は、AI診断支援の実用化余地を示す。特に凍結したDINOv3バックボーンとAttention Probeの組み合わせ、NCART分類器が最良の点推定AUCを示したことは、汎用基盤モデルを医療分野へ転用する流れの有効性を裏付ける。ただし内部検証のみで外部多施設・前向き検証が未実施と明記されており、規制承認や保険償還に至るハードルは残る。医療AI企業の競争力を測る上では、基盤モデル活用の巧拙と多施設検証データの有無が今後の投資判断軸になると感じた。