頭頸部扁平上皮がんの個別化免疫療法を支援するベイズネットワークモデルの再評価

9月 27, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Reevaluation of the Bayesian network model to support immunotherapy decision-making in recurrent/metastatic head and neck squamous cell carcinoma
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年9月27日時点）

再発・転移性頭頸部扁平上皮がん（RM-HNSCC）の治療は、免疫療法の登場により大きく変化しましたが、最適な治療選択は依然として複雑です。本研究では、ベイズネットワーク（BN）モデルを再評価し、臨床的・病理学的・分子生物学的特徴を統合することで、RM-HNSCC対象者に対する個別化免疫療法（ニボルマブ vs ペムブロリズマブ）の意思決定を支援する効果的なツールとしての可能性を示しました。これにより、より正確で透明性のある治療選択が期待されます。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の臨床データとガイドラインを活用して、実際の臨床意思決定を支援するモデルを構築・評価しました。
Ethical倫理面	倫理委員会の承認を得ており、匿名化されたデータを使用し、対象者へのインフォームドコンセントは免除されました。
Interesting面白さ	複雑な免疫療法選択において、解釈可能なAIモデルがどのように貢献できるかを示し、臨床的意義が高いです。
Novel新規性	既存のベイズネットワークモデルを新しいコホートで再評価し、その精度と解釈可能性を向上させました。
Relevant切実さ	個別化されたエビデンスに基づく治療選択を可能にし、専門家間の意思決定のばらつきを減らすことに貢献します。
Measurable測定可能性	モデルの予測精度、感度、特異度、Cohen’s Kappaなどの定量的な指標で性能を評価しました。
Modifiable派生・改善	ベイズネットワークの構造は、新しいバイオマーカーや臨床ガイドラインの変更に合わせて容易に更新可能です。
Structured文章構造	ベイズネットワークは構造化された確率的グラフィカルモデルであり、臨床的変数間の因果関係を明確に表現しています。
PICO / PECO対象・介入・比較・結果	再発/転移性頭頸部扁平上皮がんの対象者に対し、ベイズネットワークモデル（介入）が免疫療法（Nivolumab vs Pembrolizumab）の意思決定支援に有効か（アウトカム）を検証。

はじめに：複雑化する頭頸部扁平上皮がん治療とAIの役割

どうも、Beyond the Pixelです。再発・転移性の頭頸部扁平上皮がん（RM-HNSCC）は、治療選択肢が限られ、治療反応も多様であるため、非常に難しい悪性疾患とされています。近年、PD-1阻害薬であるニボルマブやペムブロリズマブを用いた免疫療法が標準治療として確立されました。しかし、どの対象者にどの治療法が最も適しているかという個別化された意思決定は、依然として複雑かつ多因子にわたる課題です。この状況に対し、本研究は臨床的、病理学的、分子生物学的な特徴を統合し、RM-HNSCCの治療選択を支援するベイズネットワーク（BN）モデルの利用を洗練することを目指しました。これは、個別化医療の進展に伴い、より一貫性があり、エビデンスに基づいた治療決定に役立つ確率的モデルの可能性を示すものです。

研究の目的

この研究は主に以下の3つの目的を持って実施されました。(1) 既存のBNモデルを、新たな対象者コホートを用いて再評価し、拡張すること。(2) 82人の対象者における実際の治療決定に対する予測精度を評価すること。(3) 意思決定支援ネットワークの透明性と有用性を評価すること。これらの取り組みを通じて、確率的モデルが精密腫瘍学における実行可能な臨床意思決定支援システム（CDSS）として確立され、複雑なRM-HNSCCの状況下で、エビデンスに基づいた説明可能な免疫療法選択を可能にすることを目指しています。

研究方法：ベイズネットワークの再検証

本研究では、RM-HNSCCの個別化免疫療法選択を支援するためのベイズネットワークモデルの再評価を実施しました。研究対象となる対象者群の選定から、ベイズネットワークの構築、そしてそのモデルが実際の臨床データに対してどれほどの精度を発揮するかの評価まで、厳密な手順が踏まれました。

対象者群

このレトロスペクティブ研究では、2018年から2025年の間にRM-HNSCCと診断された単一施設コホートの対象者が含まれました。臨床記録から82人の対象者が特定され、組織学的に確定されたHNSCC、疾患の再発または（遠隔）転移の確認、局所治療の選択肢がないこと、およびPD-L1阻害薬治療（ペムブロリズマブまたはニボルマブ）を受けたことが適格基準とされました。すべての対象者の治療は、国内および国際的なガイドラインに従って実施され、すべての臨床的決定は、頭頸部腫瘍ボードにおいてモデルとは独立して行われました。対象者の特性としては、年齢（中央値60.5歳）、性別（男性が78%）、ECOGパフォーマンスステータス（多くが0-1）、原発腫瘍部位（中咽頭が最も多い）、PD-L1発現ステータスなどが抽出されました。詳細は

**Table 1.** Table 1 Patient Cohort Characteristics解説: この表は、研究に含まれた対象者コホートの特性をまとめたものです。性別、腫瘍病期（T, N, M）、原発腫瘍部位、PD-L1発現状況（CPSおよびTPS）、ECOGパフォーマンスステータスなどの変数のカテゴリと割合が示されています。

をご参照ください。

ベイズネットワークの構築

以前に開発・検証された頭頸部がんの免疫腫瘍学的治療決定を支援するBNモデルが使用されました。このモデルは、臨床変数と治療決定間の因果関係を表現しています。モデルは当初、GeNIe Modeler（BayesFusion, version 2.2）を用いて構築され、その構造と条件付き確率表（CPT）は、臨床ガイドライン（ESMO, NCCNなど）と専門家の知見に基づいて形成されました。BNは、診断、分子学的、パフォーマンス関連の主要なパラメータを表すノードで構成されています。有向アークは因果関係や統計的関係を符号化し、例えばPD-L1ステータスが治療適応に与える影響や、ECOGステータスが治療の実現可能性に与える影響などが含まれます。各ノードの状態は臨床診療を反映するように離散化され、ネットワーク内での推論は正確な確率的推論を用いて実行されました。このBNモデルの概観は

**Figure 1.** Fig. 1 Screenshot of the applied immune-oncologic BN. Themati- cally related variables share the same color; orange: T-, N-, M-state; yellow: Immunohistochemistry and genetic targets; blue: additional解説: この図は、免疫腫瘍学的ベイズネットワークのスクリーンショットです。テーマに関連する変数は同じ色で示されており、TNM病期分類（オレンジ）、免疫組織化学および遺伝子標的（黄）、適応や治療条件に合致する追加条件（青）、治療措置（紫）などが含まれます。

で確認できます。

レトロスペクティブなモデル評価

BNは、臨床記録を用いてレトロスペクティブに評価されました。各対象者について、実際に受けた治療（ペムブロリズマブまたはニボルマブ）が、BNの予測確率分布と比較されました。以下の手順が適用されました。まず、各対象者はその臨床値を用いてBNのケースとして符号化されました。次に、BNは各治療ノードの事後確率を計算しました。治療オプションが別々の二値ノードとしてモデル化されているため、両方が同時に正の状態に対して実質的な事後確率を示すことがあります。レトロスペクティブな性能評価のために単一の予測を導き出すため、最も高い事後確率を持つ治療がモデルの予測として選択されました。最後に、予測精度、感度、特異度が計算され、モデルと臨床的決定との一致度はCohen’s Kappaを用いて評価されました。

研究結果：驚異的な予測精度を実現

この研究では、ベイズネットワークモデルが再発・転移性頭頸部扁平上皮がん（RM-HNSCC）の個別化免疫療法選択において、非常に高い予測精度と透明性を持つことが示されました。モデルの初期評価で発見された問題点の修正が、その性能を大幅に向上させる鍵となりました。

対象者特性と治療の内訳

最終分析には、RM-HNSCCの対象者82人が含まれ、全員が免疫チェックポイント阻害薬（ICI）であるペムブロリズマブまたはニボルマブのいずれかを受けました。治療法の内訳はペムブロリズマブが優勢で、63人（76.8%）がペムブロリズマブを受け、19人（23.2%）がニボルマブの治療を受けました。この分布は、関連するPD-L1プロファイルの対象者にはペムブロリズマブが推奨される傾向があり、プラチナ抵抗性疾患やPD-L1発現が低いまたは不明な対象者にはニボルマブがより頻繁に投与されるという、治療ガイドラインの進化を反映しています。対象者コホートの中央年齢は60.5歳で、大半が男性（78%）でした。ECOGパフォーマンスステータスは0～3の範囲で、ほとんどの対象者がICI開始時にECOG 0～1を示していました。原発腫瘍部位は中咽頭が最も多く、次いで口腔、下咽頭でした。PD-L1ステータスは82例中76例（92.3%）で利用可能でした。詳細は（表1）に示されています。

モデルに基づく治療予測

BNモデルは、対象者の臨床プロファイルに基づいて実際の治療（ニボルマブまたはペムブロリズマブ）を正確に予測する能力についてテストされました。データセットの最初の分析では、ペムブロリズマブ治療の予測精度に関して予期せぬ結果（74.6%）が検出されました。この結果は、ニボルマブ治療の精度と比較して比較的悪く、条件付き確率表（CPT）の正確性に対する不信感を引き起こし、ペムブロリズマブの治療変数に焦点を当てたCPTの詳細なレビューにつながりました。ここで、再発性HNSCCの親変数に関する誤った確率セット（臨床的および学術的に適切な0.8ではなく0.2）が検出され、ペムブロリズマブ治療結果に対する誤った不利な判断につながっていたことが判明しました。この初期CPTの誤りを修正した後、修正されたモデルは前述の82症例のデータセットで再検証され、特にペムブロリズマブの予測においてより正確な結果を明らかにしました。一方、ニボルマブの予測は安定していました。モデルの解析パラメータは、修正前後で

**Table 2.** Table 2 Performance of the model before and after correction解説: この表は、ベイズネットワークモデルの修正前と修正後の性能比較を示しています。NivolumabとPembrolizumabそれぞれの予測精度、およびモデル全体の精度が改善されたことが示されています。

に示されています。修正後のモデルは、ニボルマブ投与に対して94.7%（19例中18例）、ペムブロリズマブ投与に対して95.2%（63例中60例）の予測精度を達成し、全体的な予測精度は95.1%で、Cohen’s Kappaは0.859という非常に良い結果を示しました。これは、以前の研究グループの知見を裏付け、さらに拡張するものです。また、ニボルマブ治療予測ではAUCが0.751、ペムブロリズマブ治療予測ではAUCが0.704のROC曲線が得られました。

**Figure 2.** Fig. 2 ROC curves of probability thresholds for the ﬁnal model a for treatment with Nivolumab and b for treatment with Pembrolizumab解説: この図は、最終モデルにおけるNivolumab（a）とPembrolizumab（b）の治療予測確率閾値に対するROC曲線を示しています。NivolumabのAUCは0.751、PembrolizumabのAUCは0.704でした。

をご参照ください。

条件付き依存性と主要なドライバー

BNの詳細な分析により、治療決定ノード（ニボルマブおよびペムブロリズマブ）がいくつかの関連する臨床変数に条件付きで依存していることが明らかになりました。最も影響力のある変数としては、ECOGパフォーマンスステータスが挙げられます。ECOG 0-1の対象者にはペムブロリズマブが強く推奨され、ECOG 2以上の対象者にはニボルマブが優勢でした。PD-L1発現（TPSおよびCPS）も重要な因子であり、TPS 50%以上またはCPS 20を超える場合は、ペムブロリズマブが選択される事後確率が著しく増加しました。また、以前のプラチナ治療歴やプラチナ耐性ステータスは、特にPD-L1高発現がない場合にニボルマブ適格性の主要な指標となりました。ネットワークの透明な構造により、因果的影響経路を直感的に視覚的に追跡することが可能でした。

シナリオシミュレーションとモデルの説明可能性

BNは、仮説的な対象者シナリオのシミュレーションにも活用されました。例えば、ECOG 0、CPS 90と設定した場合、ペムブロリズマブ治療の確率は85%となりました（

**Figure 3.** Fig. 3 Simulation of speciﬁc patient characteristics and the calculation of the model with the following set parameters written in bold print and underlined: a ECOG 0 and CPS > 20, and b platinum resistance, TPS ≥50%, recurrent disease with the probability of each event repre- sented by the colored bars in percent. The bold and underlined states are解説: この図は、特定の対象者特性を入力した場合のモデルシミュレーションを示しています。（a）ECOG 0とCPS > 20の条件、（b）プラチナ耐性、TPS 50%以上、再発疾患の条件における各イベントの確率が色付きのバーで示されています。

a）。一方、プラチナ耐性があり、高いTPSと再発性疾患を導入すると、決定はニボルマブ（66%）へと逆転しました（（図3）b）。これらのシミュレーションは、ネットワークが様々な臨床的仮定の下で治療選択の根拠をどのように示すかを明確に示しています。

考察：個別化医療におけるBNモデルの可能性と限界

本研究では、再発・転移性頭頸部扁平上皮がん（RM-HNSCC）の対象者に対するニボルマブとペムブロリズマブの治療選択を支援するベイズネットワーク（BN）ベースの臨床意思決定支援モデルを改訂し、レトロスペクティブに再評価しました。このモデルは、実際の臨床的決定と非常に高い一致度を示し、全体で95.1%という驚異的な予測精度を達成しました。特に、ニボルマブ投与の予測で94.7%、ペムブロリズマブ投与で95.2%の精度を記録しました。これらの結果は、特に複雑な腫瘍学的状況において、このような確率的モデルが免疫療法の意思決定における透明性と一貫性を高める潜在能力を持っていることを示唆しています。本研究の知見は、頭頸部がんにおけるガイドラインに基づいた腫瘍学的ワークフローをモデル化するためのBNの有用性を示す先行研究をさらに拡張するものです。このモデルは統計的関連性だけでなく、国内外のガイドラインに根ざした臨床的に意味のある依存関係も反映するように設計されており、不完全なデータシナリオでも解釈可能で堅牢であり続けるという、純粋なデータ駆動型AIモデルに対する重要な利点を提供します。さらに、仮説的な対象者シナリオをシミュレートし、その推論を自然な臨床用語で説明するモデルの能力は、説明可能なAI（XAI）システムとしての応用をサポートし、ユーザーの信頼を促進し、共同意思決定を容易にします。このネットワークの透明性は実用的な利点であり、モデルの仮定と条件付き確率表（CPT）の入力は明示的に検査および修正することができます。

研究の限界と今後の展望

しかし、本研究にはいくつかの限界があります。第一に、単一施設で実施され、対象者数も82人と控えめであったため、結果の一般化可能性が制限される可能性があります。第二に、モデル構造はガイドラインや大規模なランダム化比較試験、専門家の知見に基づいて構築されたものの、定量的な事前確率（CPT）は手動で統合されており、これは前述のように偏りや誤りを生じる可能性があります。最後に、評価は治療決定におけるレトロスペクティブな一致に焦点を当てており、治療反応や生存期間といった前向きなアウトカムは評価されていません。今後の研究では、外部検証、前向き臨床試験、およびリアルタイムの電子健康記録（EHR）との完全な統合を含めるべきです。これらの限界にもかかわらず、本研究の結果は、腫瘍学分野のCDSSにおけるBNの実現可能性と臨床的関連性を強く支持しています。専門家の知見、対象者固有のデータ、および透明な推論の融合は、頭頸部腫瘍学における個別化された、エビデンスに基づいた、説明可能な治療決定に向けた有意義な一歩を示しています。今後の方向性としては、(1) アウトカムデータ（例：全生存期間、無増悪生存期間）の組み込みにより、意思決定支援から予後予測モデリングへの移行。(2) レディオミクスおよびゲノミクス機能の統合によるマルチモーダルネットワークの作成。(3) 多職種による腫瘍ボードにおける前向きユーザビリティ研究により、意思決定の確信度、時間効率、ガイドライン遵守へのモデルの影響を評価することなどが挙げられます。

用語集

ベイズネットワーク (BN): 確率的な推論を行うためのグラフィカルモデルで、変数の間の条件付き依存関係を視覚的に表現します。
免疫療法: 免疫チェックポイント阻害薬などを用いて、対象者自身の免疫細胞ががん細胞を攻撃する力を高める治療法です。
PD-1阻害薬: 免疫細胞のPD-1というタンパク質を阻害することで、がん細胞による免疫抑制を解除し、免疫応答を活性化する薬剤です。
Nivolumab (ニボルマブ): PD-1阻害薬の一種で、多くのがん種において免疫療法に用いられます。
Pembrolizumab (ペムブロリズマブ): PD-1阻害薬の一種で、ニボルマブと同様に幅広いがん種の治療に活用されます。
RM-HNSCC (再発/転移性頭頸部扁平上皮がん): 治療後に再発したり、体の他の部位に転移したりした頭頸部扁平上皮がんのことです。
Cohen’s Kappa (コーエンのカッパ係数): 2つの評価者または測定方法間の一致度を示す統計指標です。偶然の一致を除外して計算されます。
ECOGパフォーマンスステータス: 対象者の全身状態や日常生活活動度を0から5の数値で評価する指標です。
PD-L1発現: がん細胞や免疫細胞の表面に現れるPD-L1というタンパク質の量。免疫療法の効果予測指標として用いられます。
TPS (Tumor Proportion Score): 腫瘍細胞のうちPD-L1を発現している細胞の割合を示すスコアです。
CPS (Combined Positive Score): 腫瘍細胞と免疫細胞の両方におけるPD-L1発現を評価するスコアです。
CPT (Conditional Probability Table, 条件付き確率表): ベイズネットワークにおいて、あるノードの状態がその親ノードの状態によってどのように影響されるかを示す確率の表です。
XAI (Explainable AI, 説明可能なAI): AIモデルがなぜ特定の予測や決定を下したのか、人間が理解できる形で説明できるAIシステムを指します。