AIによる低線量PET/CT多臓器容積計測の13年間追跡：技術的実現可能性を検証

9月 24, 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: Technical feasibility of AI-based longitudinal multi-organ volumetry on low-dose PET/CT over 13 years
Japanese Journal of Radiology｜被引用数: 0（2026年9月24日時点）

この研究は、AIを活用した多臓器容積計測が、低線量PET/CTスキャンにおいて最大13年間という長期にわたり、個人の臓器容積変化を追跡できるかという技術的な実現可能性を評価しました。特に、TotalSegmentatorという自動セグメンテーションツールを用いて、その処理モードや画像ノイズ除去（デノイジング）の影響を比較し、加齢に伴う臓器の容積変化の検出能力を検証しています。この画期的なアプローチは、日常的に取得される低線量PET/CT画像から、健康状態や疾患の進行に関連する貴重な情報を引き出す可能性を示唆しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	TotalSegmentatorのFastモードにより、低線量PET/CTにおける多臓器容積計測の長期追跡は技術的に実現可能である。
Ethical倫理面	後ろ向き研究であり、オプトアウト方式で個別同意を免除されており、中央倫理委員会の承認を得ている。
Interesting面白さ	長期間の低線量PET/CT画像から加齢に伴う臓器容積の長期トレンドを自動で検出できる点が興味深い。
Novel新規性	低線量PET/CTにおけるTotalSegmentatorのFastモードとデノイジングの系統的比較、および13年間の長期追跡は先行研究で限定的だった。
Relevant切実さ	日常的に取得される低線量PET/CT画像から、疾患の早期発見や進行度評価に資する可能性がある。
Measurable測定可能性	6つの主要な臓器（筋肉、肝臓、腎臓、膵臓、大動脈）の年間容積変化率が定量的に計測された。
Modifiable派生・改善	研究の知見はTotalSegmentatorの最適化されたパイプライン利用を促し、将来的なプロトコル改善に繋がる。
Structured文章構造	2段階のフェーズによる最適化と検証、感度分析を含む構造化された研究デザインである。
PICO / PECO対象・介入・比較・結果	P: PET/CTスクリーニング受診者（60歳以上30名）、I: AIベース多臓器容積計測、C: なし、O: 長期的な臓器容積トレンド。

はじめに：医療画像からの「宝探し」

どうも、Beyond the Pixelです。深層学習を用いた自動セグメンテーション（臓器や組織の輪郭を自動で識別する技術）は、臨床現場で日常的に取得されるCTスキャンから、臓器の容積や組織構成を体系的に抽出することを可能にし、画像解析の範囲を広げています。特に、定期的なフォローアップで連続して取得されるCT検査のデータは、時間経過に伴う臓器の容積変化を追跡するための、これまで十分に活用されていなかった貴重な情報源となります。この研究は、AIを活用した多臓器容積計測が、低線量PET/CTスキャンにおいて最大13年間という長期にわたり、個人の臓器容積変化を追跡できるかという技術的な実現可能性を評価しました。具体的には、TotalSegmentatorという自動セグメンテーションツールを用いて、その処理モードや画像ノイズ除去（デノイジング）の影響を比較し、加齢に伴う臓器の容積変化の検出能力を検証しています。この画期的なアプローチは、日常的に取得される低線量PET/CT画像から、健康状態や疾患の進行に関連する貴重な情報を引き出す可能性を示唆しています。

なぜ低線量PET/CTが注目されるのか？

PET/CT検査は、がん検診などで広く行われていますが、その一部である低線量CT画像は、診断用CTに比べて放射線量が抑えられている反面、ノイズが多く、スライス厚が厚いなどの課題があります。しかし、日本を含む多くの国でPET/CTスクリーニングプログラムが普及していることから、大量の低線量CTデータが長年にわたって蓄積されています。これらのデータをAIで解析し活用できれば、長期的な形態計測（組織や臓器の形や大きさの変化を定量的に測定すること）が可能になり、これまで見過ごされてきた身体の変化を捉えることができるかもしれません。TotalSegmentatorは、全身CT画像から117もの解剖学的構造を自動でセグメンテーションする、公開されている深層学習ベースのフレームワークです。この研究では、このTotalSegmentatorが低線量PET/CT画像に対して、臓器のセグメンテーションをどのように実行するかの例が示されています。

**Figure 1.** Fig. 1 Example of TotalSegmentator segmentation on low-dose PET/ CT. Three representative axial slices at the levels of the pancreas, kid neys, and iliopsoas muscles (left to right), and two coronal reformats at解説: 低線量PET/CTにおけるTotalSegmentatorのセグメンテーション例を示します。膵臓、腎臓、腸腰筋レベルの代表的な軸位断層像と、腎臓、傍脊柱筋レベルの冠状再構成像が示されており、セグメンテーションのオーバーレイが生の低線量CT画像に重ねられています。

研究デザインとアプローチ：13年間の追跡

この研究は、低線量PET/CT画像におけるTotalSegmentatorの性能を系統的に評価するために、後ろ向きの縦断的解析（同一の対象者を長期間にわたって複数回測定し、時間経過に伴う変化や傾向を分析する研究方法）として実施されました。研究は大きく2つのフェーズに分かれて進行しました。

**Figure 2.** Fig. 2 Study flow diagram. Of 15,597 PET/CT screening examinees (January 2010 to December 2023), anonymized serial CT data were available for secondary analysis in 626 examinees (3089 CT series). From these, 10 examinees with the most serial CT examinations (regardless of age) formed the Phase 1 pipeline-optimization set, in解説: 研究の流れ図を示します。15,597人のPET/CTスクリーニング受診者から、二次解析に利用可能な匿名化された連続CTデータを持つ626人を選出。フェーズ1ではパイプライン最適化のため10名、フェーズ2では縦断的解析のため30名が選ばれ、各フェーズでの解析内容が示されています。

大規模レジストリからのデータ抽出

本研究は、2010年1月から2023年12月までの期間に当機関で実施されたPET/CTスクリーニングレジストリに登録された15,597人の受診者のデータを利用しました。まず、フェーズ1では、TotalSegmentatorのパイプライン最適化のために、連続PET/CT検査回数が最も多い10名の参加者（合計137スキャン）を、年齢に関係なく選択しました。ここでは、FastモードとNormalモードというTotalSegmentatorの異なる推論モードと、5種類のノイズ除去（デノイジング）方法の性能が比較されました。次に、フェーズ2では、縦断的解析のため、最初のスキャン時に60歳以上であった参加者の中から、連続検査回数が最も多い30名（合計337スキャン）が選択されました。これらの参加者の人口統計学的特性、例えば平均年齢やスキャン回数などの詳細は、

**Table 1.** Table 1 Patient demographics解説: フェーズ1（10名）とフェーズ2（30名）の参加者の人口統計学的特性を示します。年齢、性別、身長、体重、BMI、参加者あたりのスキャン回数、追跡期間、選択基準が含まれています。

に示されています。また、この13年間の研究期間中には、CT撮影プロトコルが3つの時代（Era）にわたって進化しており、スキャナーの種類、CT列数、管電流（mA）、再構成スライス厚などが変化したことも考慮されました。これらのCT取得パラメータの詳細は

**Table 2.** Table 2 CT acquisition parameters and scan distribution by scanner era (Phase 2, n = 30, 337 scans)**解説:** フェーズ2（30名、337スキャン）におけるスキャナー時代ごとのCT取得パラメータとスキャン分布を示します。期間、スキャン数、PET/CTシステム、CT列数、管電圧（kVp）、管電流（mA）、再構成スライス厚の変遷が記載されています。

にまとめられています。

TotalSegmentatorによる自動セグメンテーション

自動多臓器セグメンテーションは、TotalSegmentatorバージョン2.13.0を使用して実行されました。このツールはバージョン2で117の構造ラベルを出力し、そのうち115が本研究の評価対象となりました。セグメンテーションの縦断的安定性、つまり時間経過に伴う一貫性を評価するために、トレンド除去後の参加者内変動係数（detrended within-participant CV）が算出されました。これは、時間的なトレンドを除いた後の、個々の参加者内での測定値のばらつきを示す指標で、再現性を評価するのに用いられます。フェーズ1のデータに基づき、シグナル対ノイズ比（SNR）と臨床的関連性を考慮して、6つの構造（傍脊柱筋、腸腰筋、肝臓、腎臓、膵臓、大動脈）がフェーズ2の縦断的解析対象として選択されました。このカテゴリー制約のある選択プロセスにより、解析対象の構造が多様な解剖学的コンパートメントにわたることが保証されました。

専門家による品質管理

フェーズ2の30名の参加者から1スキャンずつランダムに選択し、計30スキャンについて、2名の放射線専門医（それぞれ7年と18年の経験）が独立して、そして盲検下で、解析対象の6つの構造のセグメンテーション品質を評価しました。評価された全てのセグメンテーション（各専門家につき180回）は、視覚的に明らかなセグメンテーションエラー、臓器の誤認識、または総容積のアーティファクトがなく、許容できると判断されました。

主要な結果：AIの速度と安定性、そして長期トレンド

この研究から、TotalSegmentatorを用いた低線量PET/CT画像解析において、AIの処理性能と長期的な臓器容積変化の検出に関する重要な知見が得られました。

Fastモードの優位性

フェーズ1の結果、TotalSegmentatorのFastモードはNormalモードと同程度のトレンド除去後の縦断的変動性を示しました。Fastモードのトレンド除去後CVは2.26%（大動脈）から9.32%（膵臓）の範囲であり、Normalモードも類似した値を示しました。両モード間のBland-Altman解析では、臨床的に意味のある体系的なバイアスは見られませんでした。しかし、処理速度には大きな違いがあり、Fastモードは1スキャンあたり40～60秒を要したのに対し、Normalモードは7～8分かかり、約10倍高速でした。

**Table 3.** Table 3 Phase 1 results: Fast vs Normal mode comparison and denoising evaluation Structure Fast detrended CV (%) Normal detrended CV (%) ΔCV (pp) r Bias (%) 95% LoA (%) Part A: Fast vs Normal mode comparison by structure (Phase 1, n = 10, 137 scans) Autochthon 2.30 2.35 −0.05 0.997 −0.42 ±2.49 Iliopsoas 3.06 2.98 +0.08 0.998 −1.46 ±4.54 Liver 7.76 7.62 +0.14 0.999 −0.54 ±1.77 Kidney 6.56 6.48 +0.08 0.996 −0.15 ±3.50 Pancreas 9.32 9.18 +0.14 0.976 −3.26 ±16.50 Aorta 2.26 2.32 −0.06 0.998 −0.05 ±4.21 Method Mean CV (%) ΔCV vs Raw (pp) Mean r Min r Bias (%) 95% LoA (%) Part B. Denoising evaluation (Phase 1, Fast mode, 6 analyzed structures) Raw (reference) 5.21 — — — — — Median filter 5.28 +0.07 0.998 0.989 −0.43 ±2.70 Anisotropic diffusion解説: フェーズ1の結果として、TotalSegmentatorのFastモードとNormalモードの比較、およびノイズ除去（デノイジング）の評価を示します。FastモードとNormalモードのトレンド除去後CV、相関係数、バイアス、ならびにノイズ除去方法ごとのCV、相関係数、バイアスが各臓器について示されています。

この、同等の縦断的安定性と著しく速いスループットを考慮し、Fastモードが縦断的パイプラインの推論モードとして選択されました。

デノイジングの限界

試験されたどのノイズ除去（デノイジング）方法も、生のCT画像と比較して、セグメンテーションの縦断的安定性を有意に改善しませんでした。例えば、中央値フィルターや異方性拡散は、トレンド除去後CVをわずかに増加させました。一方、WGAN-VGGやDuGANは、生のCT画像とほぼ同じCV値を示しました。特にTransCTは、縦断的安定性を著しく低下させ、平均トレンド除去後CVを5.21%から11.71%に増加させ、生の画像とのPearson相関係数も0.854に低下させました。（表3）これは、このトランスフォーマーベースのアプローチが、低線量PET/CTの文脈においてセグメンテーションに影響を与える重大なアーティファクトを導入した可能性を示唆しています。これらの結果に基づき、ノイズ除去を行わない生のCT画像が縦断的パイプラインの標準入力として採用されました。

13年間の臓器容積変化の検出

主要な解析であるランダム切片モデルでは、解析対象の6つの臓器すべてにおいて、統計的に有意な人口平均の容積トレンドが検出されました（FDR q < 0.001）。具体的には、傍脊柱筋（−0.72%/年）、腸腰筋（−0.74%/年）、肝臓（−0.55%/年）、腎臓（−0.49%/年）、膵臓（−0.97%/年）は容積が減少し、大動脈は容積が増加（+0.94%/年）しました。

**Table 4.** Table 4 Longitudinal volumetric changes by structure (Phase 2, n = 30, 337 scans)**解説:** フェーズ2（30名、337スキャン）における構造ごとの縦断的な容積変化を示します。ランダム切片（RI）モデルおよびランダム傾き（RS）モデルによる年間パーセンテージ変化、信頼区間、p値、FDR q値、平均容積、10年間の推定容積変化などが記載されています。

これらの結果は、加齢に伴う既知の傾向と方向性が一致するものもあります。例えば、膵臓の容積減少は解析された構造の中で最も大きく、加齢に伴う膵臓萎縮の既知のパターンと一致します。大動脈の容積増加も、先行研究で報告されている加齢に伴う大動脈拡張と方向性が一致しています。線形混合効果モデルによる個々の参加者の軌跡と集団の傾向は、で視覚的に確認できます。

感度分析による結果の堅牢性

主要な結果の信頼性を確認するため、3つの感度分析が実施されました。スキャナーの世代（Era）をカテゴリカル共変量として含めたモデルや、スライス厚が均一な5mmスキャンに限定した分析（233スキャン）でも、年間の容積変化の方向性や推定値は一貫しており、結果の堅牢性が示されました。

**Table 5.** Table 5 Sensitivity analyses: annual volume change estimates (RI model) Structure RI primary %/yr [95% CI]**解説:** 感度分析の結果として、ランダム切片（RI）モデルによる年間容積変化の推定値を示します。主要解析、スキャナー時代調整モデル、および5mmスライス厚サブセット解析における各臓器の推定変化率と95%信頼区間が比較されています。

また、個々の参加者特有の傾きを考慮するランダム傾きモデルによる感度分析でも、すべての6つの臓器で統計的有意性が維持されました（p < 0.01）。これらの分析結果は、主要な解析で検出された人口平均の容積トレンドが、様々な条件変化に対して安定していることを示唆しています。

考察：AI活用への一歩と今後の課題

この研究は、低線量PET/CT画像を用いた、機会的（opportunistic）な連続容積計測のための技術的に実用的なパイプラインを支持するものです。この「機会的」とは、診断目的で通常実施される検査画像を二次的に利用するという意味です。TotalSegmentatorがノイズ除去を行わない生データでも安定した性能を示したことは、このツールが多様なCTデータでトレーニングされており、ノイズに対する堅牢性が高いことに起因する可能性があります。先行研究でもTotalSegmentatorの臓器容積の一貫性が確認されており、PET/CT設定におけるその適用性を裏付けています。本研究で観察された大動脈の容積拡張（+0.94%/年）は、Framingham Heart Studyなどで報告されている加齢に伴う大動脈拡張と方向性が一致しています。また、傍脊柱筋の年間容積減少（-0.72%/年）も、部位特異的な筋肉評価による先行研究と一致しており、サルコペニア（加齢に伴う筋肉量の減少）の評価に関連する可能性があります。膵臓の容積減少（-0.97%/年）は解析された構造の中で最も大きく、加齢に伴う膵臓の萎縮と整合性があります。これらの知見は、日常的な低線量PET/CT画像から加齢に伴う身体の変化を客観的に評価する可能性を示しており、将来的には健康スクリーニングや疾患のモニタリングへの応用が期待されます。

研究の限界と今後の展望

この研究にはいくつかの限界があります。30名の参加者というサンプルサイズは、統計的検出力と結果の一般化可能性を制限します。また、単一施設での後ろ向き研究であること、そして多数の連続検査を受けた参加者を選択したため、より健康でスクリーニング遵守率が高いサブグループを代表している可能性があり、選択バイアスや生存バイアスが含まれているかもしれません。13年間の研究期間中にCTスキャナーのプロトコルが変化したことも懸念事項です。スキャナーの世代（Era）が調整モデルで独立して有意ではなかったとしても、残存する交絡因子（結果に影響を与える可能性のある別の要因）を完全に排除できるわけではありません。今後の研究では、ファントムベースのハーモナイゼーション（異なるスキャナー間で測定値を均一化すること）を通じて、プロトコルに関連する容積シフトと生物学的な変化を分離することが考慮されるべきです。本研究は測定の一貫性（連続的な容積推定値の再現性）に焦点を当てており、測定の正確性（基準となる測定値との一致）は評価していません。そのため、低線量PET/CTにおけるTotalSegmentatorの絶対的な容積測定精度は確立されておらず、その目的のためには手動での参照セグメンテーションやファントムベースの検証が必要となるでしょう。また、詳細な診断歴や治療歴、体組成の時系列変化がレジストリには含まれておらず、併存疾患や同時期の体組成変化からの残存する交絡因子を完全に排除することはできません。これらの知見は、低線量PET/CTにおけるAIベースの多臓器容積計測の技術的な実現可能性を裏付けるものですが、現時点では生物学的な帰属や臨床的有用性を確立するものではありません。より大規模なコホート、標準化されたプロトコル、および前向き検証を伴う今後の研究が期待されます。

用語集

TotalSegmentator: 全身CT画像から117の解剖学的構造（臓器、筋肉、骨、血管など）を自動でセグメンテーション（輪郭識別）する深層学習ベースのツール。
セグメンテーション: 医療画像において、特定の臓器や病変などの領域の境界線を自動的または手動で識別し、輪郭を描き出すプロセス。
低線量PET/CT: 陽電子放出断層撮影（PET）とコンピューター断層撮影（CT）を組み合わせた検査で、CT部分の放射線量を通常の診断用CTよりも抑えたもの。スクリーニングなどで利用されることが多い。
デノイジング: 画像に含まれるノイズ（信号のばらつきや不規則なパターン）を除去し、画質を向上させる処理。
縦断的解析: 同一の対象者を長期間にわたって複数回測定し、時間経過に伴う変化や傾向を分析する研究方法。
トレンド除去後の参加者内変動係数（detrended within-participant CV）: 個々の参加者において、時間経過による系統的な変化（トレンド）を除いた後の、測定値のばらつきの程度を示す指標。再現性を評価するのに用いられる。
線形混合効果モデル（LMM）: 縦断データや階層データなど、互いに独立でないデータ構造を持つ場合に、個人のばらつきと集団全体の傾向を同時に分析できる統計モデル。
形態計測（Morphometry）: 臓器や組織の形、大きさ、構造などの物理的特性を定量的に測定すること。
交絡因子: 研究において、原因と結果の両方に影響を与え、見かけ上の関連性を生じさせる可能性のある第三の要因。
ファントムベースのハーモナイゼーション: 異なるスキャナーやプロトコルで取得された画像データ間で、測定値を均一化・標準化するために、既知の物理的特性を持つ模範的な物体（ファントム）を用いて調整する手法。
機会的（opportunistic）: 診断目的で通常実施される医療画像を、別の研究や評価の目的で二次的に利用するという意味合い。