CT画像による前立腺がん病変の高精度自動分類：治療計画を革新するAIの可能性

10月 18, 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: Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年10月18日時点）

前立腺がんの治療計画において、病変タイプの正確な評価は非常に重要です。しかし、現在の画像診断では、専門家が病変を検出・特徴づけるのに多くの時間と労力を要し、主観性が介入するリスクもあります。本研究では、コンピュータ断層撮影（CT）画像と自動解剖学的セグメンテーションツールを活用し、機械学習および深層学習モデルを用いて、前立腺がんの骨転移、リンパ節転移、局所病変、その他の病変を自動的に分類する可能性を探りました。特にXGBoostモデルが優れた精度と感度を示し、前立腺がんの画像診断ワークフローを効率化し、より客観的な評価を可能にする新たな道を開く可能性が示唆されています。

研究サマリー（FINER & PICO）

Feasible実施可能性	CT画像と既存の自動セグメンテーションツールを活用し、機械学習モデルで実現可能性を示した。
Ethical倫理面	既存の匿名化された医療データを使用し、研究倫理委員会の承認を得て実施された。
Interesting面白さ	前立腺がん病変の自動分類という臨床的に重要な課題に新たなアプローチを提示した。
Novel新規性	前立腺がん病変を骨転移、リンパ節転移、局所病変などに解剖学的サブタイプ別に分類する初の研究である。
Relevant切実さ	治療計画や予後予測に不可欠な病変評価の効率化と客観性向上に直接貢献する。
Measurable測定可能性	分類精度と感度を用いてモデル性能を定量的に評価し、客観的な結果を示した。
Modifiable派生・改善	様々な機械学習・深層学習モデルを比較し、将来的な改善や拡張の余地を示唆した。
Structured文章構造	体系的なデータ収集、多様なモデルの比較、交差検証と外部テストセットによる厳密な評価を実施した。
PICO / PECO対象・介入・比較・結果	対象者(P):前立腺がん対象者のCT画像。介入(I):機械学習/深層学習による病変自動分類。比較(C):非機械学習アルゴリズム。アウトカム(O):病変タイプの分類精度と感度。

はじめに

どうも、Beyond the Pixelです。

前立腺がんは、世界中で診断される最も一般的ながんの一つであり、その治療計画には、骨転移、リンパ節転移、局所病変といった様々な病変タイプを正確に評価することが極めて重要です。現在、コンピュータ断層撮影（CT）や陽電子放出断層撮影（PET）/CTの画像スキャン後、専門家がこれらの病変を検出し、その解剖学的部位によって特徴づけるには、かなりの時間と労力を要しています。この手作業による評価は、時間がかかるだけでなく、主観的な判断が介入するリスクも伴います。このような課題を解決するため、人工知能（AI）を用いた画像解析アプリケーションの開発が加速しています。

今回ご紹介する「Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients」という論文では、機械学習（ML）と深層学習（DL）モデルを介して、前立腺がん病変を骨転移、リンパ節転移、局所病変、およびその他の病変に自動分類する可能性について調査しました。この研究は、前立腺がんの画像診断におけるワークフローを効率化し、より客観的な評価を可能にする画期的な一歩となるかもしれません。

前立腺がん病変分類の現状と課題

前立腺がんの診断と治療において、腫瘍の原発巣、再発、リンパ節転移、骨転移、内臓転移の有無、およびそれらの数や体積は、予後予測や治療計画に不可欠な情報です。特に、18F-または68Ga標識前立腺特異的膜抗原（PSMA）PET/CTイメージングは、腫瘍と転移の負担を定量化する主要な手法の一つです。PET画像は病変の位置を3次元で可視化し、CT画像は関連する解剖学的構造を示すことで、専門家がPET画像上の疑わしい標的が本当に前立腺がん病変であるか、またどの解剖学的構造に位置しているかを確認できます。

しかし、この画像解釈プロセスは、しばしば時間を要し、主観的な結果につながる可能性があります。過去15年間で、多くの機械学習（ML）や深層学習（DL）の手法が、この画像解釈を支援するために導入されてきました。特に畳み込みニューラルネットワーク（CNN）は、密接に位置する画像点によって形成される多様な特徴を検出するために設計された深層ニューラルネットワークの一種であり、画像処理タスクで広く利用されています。先行研究では、前立腺がん対象者の分類、腫瘍や転移の輪郭抽出、グリーソンスコアや治療反応の予測など、様々な側面でAIが活用されてきましたが、病変タイプごとの分類に特化した研究はまだ十分ではありませんでした。

自動分類システムの開発アプローチ

この研究では、前立腺がん病変をCT画像データに基づき自動的に分類するための、教師あり学習モデルの可能性を詳細に検証しました。著者らは、従来の機械学習モデルと、様々な次元の畳み込みニューラルネットワーク（CNN）を用いて多クラス分類を行いました。

データと特徴量抽出

この研究の主要なデータは、532人の前立腺がん対象者から得られた、合計4949の病変を含むプライベートデータセットです。これに加え、公開されているautoPET IIIチャレンジのデータセットから30人の対象者を選び、594の病変を含む外部テストセットも作成されました。これらのデータセットは、18F-PSMA-1007 PET/CT画像で構成されており、すべての病変はそのタイプ（局所病変、リンパ節転移、骨転移、その他の転移）に基づいて専門家によってアノテーション（注釈付け）されました。局所病変とは、原発腫瘍、その再発、または前立腺、前立腺床、直腸に位置する二次的な前立腺がん病変を指します。

病変の種類ごとの発生状況は以下の表で確認できます。

**Table 1.** Table 1 The prevalence for different types of lesions in absolute num- bersofpatientsandinpercentages,mean±standarddeviationandrange of the number of lesions within a single patient if they are present, mean解説: この表は、主要データ（532対象者中4355病変）と外部テストセット（30対象者中594病変）における、病変の種類ごとの対象者数と割合、病変が存在する場合の対象者あたりの病変数（平均±標準偏差と範囲）、病変体積（平均±標準偏差と範囲）、および全病変に占める相対頻度を示しています。

検出された病変の座標情報を使用し、CT画像と、自動3D解剖学的セグメンテーションツールであるTotalSegmentatorの結果から、各病変に対して15種類の異なる特徴量が自動的に抽出されました。これらの特徴量には、病変座標でのCT値、対応するTotalSegmentatorのインデックスとカテゴリ、3つの最も近いTotalSegmentatorセグメントのインデックス、カテゴリ、距離、および前立腺の推定中心を原点とする3D座標空間での病変位置が含まれます。TotalSegmentatorは、117種類の異なる解剖学的構造（62の骨、24の内臓器官、17の血管など）のセグメンテーションマスクをCTデータに基づいて自動作成します。CT画像とTotalSegmentatorによる解剖学的セグメンテーションの結果の例は、以下の図で示されています。

**Figure 1.** Fig. 1 A A coronal plane of a PCa patient’s 18F-PSMA-1007 PET image showing a bone metastasis in the L5 vertebra, B the corresponding plane in the patient’s CT image, and C the results of TotalSegmentator for this coronal plane. The values of the PET image have been truncated to 0–30 kBq/mL解説: この図は、前立腺がん対象者の18F-PSMA-1007 PET画像（L5椎骨に骨転移を示す）、対応するCT画像、そしてTotalSegmentatorによるその冠状面のセグメンテーション結果を示しています。

機械学習モデルと深層学習モデルの比較

著者らは、抽出された特徴量に基づいて多クラス分類を行うために、決定木、ランダムフォレスト、サポートベクターマシン（SVM）、XGBoostといった複数の従来の機械学習モデルを訓練しました。さらに、CT画像とTotalSegmentatorの入力を用いて、異なる次元（2D、2.5Dマルチビュー、3D）の畳み込みニューラルネットワーク（CNN）も試されました。例えば、CT画像入力の例が示されています。Aは骨転移、Bはリンパ節転移、Cは局所病変に対応する軸方向のCT画像です。

**Figure 2.** Fig. 2 Examples of axial CT inputs corresponding to A bone metastases, B lymph node metastases, and C local lesions detected in 18F-PSMA-1007 PET. The Hounsﬁeld unit values have been truncated to 0–300解説: この図は、18F-PSMA-1007 PETで検出された骨転移、リンパ節転移、局所病変に対応する軸方向CT画像の入力例を示しています。画像は0〜300のハウンズフィールド単位に切り詰められています。

比較の基準として、TotalSegmentatorマスク内の病変位置に関する事前定義されたルールに基づいて病変タイプを自動予測する、単純な非機械学習アルゴリズムも作成されました。このアルゴリズムは、病変座標が骨セグメント内にある場合は骨転移、前立腺セグメント内または前立腺中心から5cm以内にある場合は局所病変、その他の内臓器官内にある場合は「その他」、これら以外の条件の場合はリンパ節転移と予測します。

注目すべき研究結果

5分割交差検証実験のテストセット全体における様々な分類手法の全体精度と、非MLアルゴリズムとの比較におけるp値が示されています。

**Table 2.** Table 2 Mean ± standard deviation values of overall accuracy (in %) for different methods over the ﬁve-fold cross-validation test sets alongside the p-values for cluster-adjusted McNemar tests comparing the correct classiﬁcation decisions with respect to the non-ML algorithm解説: この表は、5分割交差検証テストセットにおける様々な手法の全体精度（平均±標準偏差、%）と、非機械学習（non-ML）アルゴリズムとの正しい分類決定数を比較するクラスター調整済みマクネマー検定のp値を示しています。

XGBoostの卓越した性能

この研究の結果によると、最も正確なモデルはXGBoostでした。XGBoostは、主要データでの5分割交差検証実験において96.0%という高い全体精度を達成しました。特に、骨転移、リンパ節転移、局所病変の識別に優れており、それぞれ97.9±1.2%、95.2±1.3%、93.1±2.8%の感度を示しました。外部テストセットにおいても、XGBoostは95.8%の全体精度を達成し、骨転移96.3%、リンパ節転移94.0%、局所病変80.0%という高い感度を維持しました。この結果は、CT画像、病変位置、および自動解剖学的セグメンテーションデータに基づいた単純な機械学習モデルが、前立腺がん病変を正確に分類できることを示しています。

ランダムフォレストもXGBoostに匹敵する性能を示し、これらの2つのモデルは、統計的に有意な方法で他のすべての手法を上回りました。さらに、従来の機械学習モデルは、CNNと比較して訓練時間が1秒以下、推論時間も1000病変あたり10分の1秒以下と、非常に高速であるという利点も明らかになりました。

CNNの可能性と課題

CNNも様々な次元で試みられましたが、最適な機械学習モデルには及ばない結果となりました。特に、2.5D CNN（CTまたはCT/TotalSegmentator入力）は、骨転移とリンパ節転移の識別において高い感度を示したものの、局所病変の感度は著しく低い傾向がありました。これは、訓練データにおける局所病変の数が骨転移やリンパ節転移よりも少なかったこと、あるいは前立腺、前立腺床、直腸が畳み込みベースの特徴抽出において本質的に検出が困難であったことが原因である可能性があります。また、CNNには切り取られたスライスやキューブのみが与えられ、機械学習モデルのように3D空間における病変の位置や最も近い解剖学的セグメントまでの距離といった詳細な空間情報が不足していたことも一因と考えられます。

様々な病変タイプに対する感度（平均±標準偏差）が以下の表で示されています。

**Table 3.** Table 3 shows the sensitivities for the detection of differ- ent lesion types for the studied methods. Both XGBoost and random forest detected bone, lymph node, and local lesions解説: この表は、5分割交差検証テストセットにおける、骨転移、リンパ節転移、局所病変、およびその他の前立腺がん病変ごとに、感度（平均±標準偏差、%）を示しています。

また、非機械学習アルゴリズム、XGBoost、およびCT入力の2.5D CNNの相対混同行列からは、すべての手法が「その他」のカテゴリの病変をリンパ節転移として誤分類する傾向があることが示されました。XGBoostと比較して、非機械学習アルゴリズムと2.5D CNNは、局所病変や骨転移をリンパ節転移と誤分類する傾向がより顕著でした。

**Figure 3.** Fig. 3 Relative confusion matrices of A non-ML algorithm, B XGBoost, and C 2.5D CNN with CT inputs among the superset contain- ing the external test set and all the test sets of ﬁve-fold cross-validation.解説: この図は、非機械学習アルゴリズム、XGBoost、およびCT入力の2.5D CNNによる混同行列を示しており、真の値と予測されたラベルの分布を表しています。全てのテストセット（外部テストセットと5分割交差検証の全てのテストセットのスーパーセット）における全体精度がそれぞれ89.8%、96.0%、93.9%であることが示されています。

外部テストセットにおける全体精度、p値、および感度が以下の表でまとめられています。

**Table 4.** Table 4 Overall accuracy (in %), the p-value of cluster-adjusted McNemar test comparing given method to the non-ML algorithm, and sensitivities for detecting bone metastases, lymph node metastases, local lesions, and other PCa lesions (in %) in the external test set解説: この表は、外部テストセットにおける全体精度（%）、与えられた手法と非機械学習アルゴリズムを比較するクラスター調整済みマクネマー検定のp値、および骨転移、リンパ節転移、局所病変、その他の前立腺がん病変を検出する感度（%）を示しています。

臨床応用への期待と今後の展望

臨床ワークフローへの貢献

TNM病期分類は、がんの悪性度や前立腺特異抗原（PSA）の測定値と組み合わせて、治療方針決定の指針となる確立されたシステムです。本研究で示されたような高精度な自動または半自動の前立腺がん病変分類モデルが適切なソフトウェアツールに統合されれば、定量的な解析を促進し、日常的な臨床ワークフローで必要とされる画像解釈時間を大幅に短縮できる可能性があります。具体的には、専門家がPET画像またはCT画像をクリックすると、病変タイプが自動的に予測されるようなアプリケーションが実現し、前立腺がん対象者の画像解析をより効率的に行えるようになるでしょう。CTデータのみに基づくモデルを開発することで、最終的なツールは、正確なPETトレーサーの種類に関わらず、CTおよびPET/CTイメージングの両方で利用できるようになります。病変分類モデルと、病変セグメンテーション（領域分割）を行う別の自動または半自動ツールを組み合わせることで、専門家は骨、リンパ節、局所病変間の腫瘍負担を容易に分類できるようになり、治療反応の評価や予後層別化の効率が向上することが期待されます。

研究の限界と将来の方向性

本研究にはいくつかの限界点があります。まず、3つの主要なカテゴリ（骨転移、リンパ節転移、局所病変）以外の病変（「その他」のカテゴリ）の数が限られていたことです。このため、肝臓や肺などの特定の臓器への転移を詳細に分類することはできませんでした。また、外部テストセットのグラウンドトゥルース（真の値）分類に対する専門家間のアノテーションが不足しており、外部データセット自体も比較的小規模でした。特に、外部データセットには局所病変が非常に少なかったため、これらの手法の性能をさらに多くの外部データで検証する必要があります。

さらに、病変分類は病変ごとに行われるため、AIアプリケーションが自動的に特徴量を抽出したり入力画像を準備したりするためには、画像内の病変位置が事前に特定されている必要があります。これは、人間による病変の特定、あるいは別のAIアプリケーションによる病変検出機能への依存を意味します。臨床実践においては、機械学習モデルの特徴量の重要性に関するより詳細な分析を行うか、CNNによって提示される分類決定をサポートするための、何らかの説明可能なAI技術を開発することが重要となるでしょう。

今後の研究では、TotalSegmentator以外のセグメンテーションツールと組み合わせた際のモデル性能の検証、CNN手法への3D空間における病変位置に関するより多くの情報提供による改善、そして「その他」の病変カテゴリをさらに細分化し、より多くの病変カテゴリを分類タスクに含めることが課題として挙げられます。

まとめ

本研究では、CT画像とCTベースの3D解剖学的セグメンテーションツールであるTotalSegmentatorからのデータを用いて、前立腺がん病変を骨転移、リンパ節転移、局所病変、およびその他の病変に自動分類する可能性を、複数の機械学習モデルとCNNアプローチにより調査しました。全てのモデルは、病変検出ではなく、事前に特定された病変の分類を行いました。

結果として、従来の機械学習モデルがこの種の自動前立腺がん病変分類において有望であることが示されました。特にXGBoostは、主要データでの交差検証実験においてランダムフォレストモデルを除く他のすべての手法を統計的に有意に上回り、3つの主要な病変タイプすべてで一貫して高い感度を示しました。一方、CNNは骨転移とリンパ節転移の識別には優れていましたが、主要データでの5分割交差検証実験において、局所病変の識別の感度は著しく低いことが課題として残りました。将来の研究では、TotalSegmentator以外のセグメンテーションツールとの組み合わせ、3D空間における病変位置に関するさらなる情報提供によるCNN手法の改善、およびより多くの病変カテゴリへの分類タスクの拡張が重要となります。

この研究は、前立腺がんの診断と治療計画における画像解釈の効率と客観性を大幅に向上させる可能性を秘めており、今後のAI技術の発展に大きな期待が寄せられます。

用語集

CT: コンピュータ断層撮影。X線を用いて体の内部を輪切りにした画像を作成する技術。
PET/CT: 陽電子放出断層撮影/コンピュータ断層撮影。PETとCTを組み合わせ、病変の位置と活動性を同時に評価する画像診断。
前立腺がん (PCa): 男性に発生するがんの一種で、前立腺に異常な細胞が増殖する疾患。
病変: 疾患によって生じた組織や細胞の変化。がんの場合、腫瘍や転移巣を指す。
転移: がん細胞が原発巣から離れて、他の臓器や組織で増殖すること。
リンパ節転移: がん細胞がリンパ節に転移すること。
骨転移: がん細胞が骨に転移すること。
局所病変: がんが原発巣である臓器やその周辺に留まっている病変。
機械学習 (ML): データからパターンを学習し、予測や意思決定を行う人工知能の一分野。
深層学習 (DL): 複数の層を持つニューラルネットワークを用いた機械学習の一種で、画像認識などで高い性能を示す。
XGBoost: 勾配ブースティングという手法を用いた機械学習アルゴリズムの一種で、高い予測精度を持つことで知られる。
畳み込みニューラルネットワーク (CNN): 画像データなどの処理に特化した深層学習モデル。
TotalSegmentator: CT画像から100以上の解剖学的構造を自動的にセグメンテーション（領域分割）するオープンソースソフトウェアツール。
感度 (Sensitivity): 真に陽性であるものを正しく陽性と判定する割合。
精度 (Accuracy): 全ての判定のうち、正しく分類されたものの割合。
交差検証 (Cross-validation): データを複数のグループに分け、一部を学習用、残りを評価用として複数回繰り返すことで、モデルの汎化性能を評価する手法。
外部テストセット: モデルの汎化性能を評価するために、学習に使用していない独立したデータセット。
TNM病期分類: 腫瘍（Tumor）、リンパ節（Node）、遠隔転移（Metastasis）の3要素に基づいてがんの進行度を分類する国際的なシステム。