AIが食道がん対象者の予後を予測：胸部CTから間質性肺異常を読み解く

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: Prognostic value of AI-derived probability of interstitial lung abnormalities and interstitial lung disease in patients with esophageal cancer
Japanese Journal of Radiology｜被引用数: 0（2026年9月23日時点）

食道がんの対象者にとって、正確な予後予測は治療戦略を立てる上で不可欠です。近年、胸部CT画像で偶然見つかる軽度な肺の異常、特に間質性肺異常（ILA）が、がん対象者の予後と関連する可能性が指摘されています。本記事では、人工知能（AI）がILA/ILD（間質性肺疾患）の確率を算出し、食道がん対象者の5年全生存率の予測に役立つ可能性を示した画期的な研究について、医療画像インフォマティクスの専門家の視点から詳しく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の胸部CT画像と確立されたAIモデルを活用し、現実的なリソースで研究が実施されています。
Ethical倫理面	倫理委員会による承認と後向き研究であることによる書面同意の免除が適切に実施されています。
Interesting面白さ	AIによる間質性肺異常の確率と食道がん対象者の予後との関連を、最新の臨床声明で再評価する点は興味深いです。
Novel新規性	2025年ATS臨床声明に基づき、食道がん対象者のILA/ILDをAIで再評価し、予後との関連を検証した点で新規性があります。
Relevant切実さ	食道がん対象者の個別化されたリスク層別化に貢献し、臨床現場での意思決定を支援する可能性があり、関連性が高いです。
Measurable測定可能性	AIによる確率スコアと視覚的分類、5年全生存率という客観的かつ明確なアウトカムが測定されています。
Modifiable派生・改善	AIモデルはトレーニングデータやアルゴリズムの改善により性能が向上する可能性があり、臨床応用において調整可能です。
Structured文章構造	研究は目的、方法、結果、考察、結論が明確に記述されており、論理的に構造化されています。
PICO / PECO対象・介入・比較・結果	P(食道がん対象者), I(AIが算出したILA/ILDの確率), C(視覚評価によるILA/ILD分類), O(5年全生存率)の要素を含んでいます。

はじめに：食道がん対象者の予後と肺の異常

どうも、Beyond the Pixelです。食道がんは進行が早く、治療後も再発や転移のリスクがあるため、対象者の正確な予後予測は治療方針の決定において非常に重要です。近年、胸部CT画像で偶然発見される軽度の肺の異常、すなわち間質性肺異常（ILA）や、さらに進行した間質性肺疾患（ILD）が、様々な疾患の対象者、特に悪性腫瘍の対象者において予後悪化と関連することが示されています。しかし、ILAの従来の視覚評価は専門家による主観的な判断に依存するため、観察者間での評価のばらつきが生じやすいという課題がありました。このような背景から、人工知能（AI）を用いた客観的で再現性の高い評価方法の開発が期待されています。この研究は、食道がんの対象者において、AIが算出したILA/ILDの確率が予後とどのように関連するかを、2025年に発表されたアメリカ胸部学会（ATS）の最新の臨床声明に基づいて再評価することを目的としています。

研究方法：AIモデルと2025年ATS臨床声明による評価

この研究は、2011年1月から2015年12月までに食道がんの治療前胸部CT検査を受けた対象者を対象とした後向き研究です。CT画像は、2025年ATS臨床声明の基準に従って、非ILA、ILA疑い、ILA、ILDのいずれかに視覚的に分類されました。以前に開発された12種類の人工知能（AI）モデルが、対象者ごとのILA確率スコアを0から1の範囲で算出しました。これらのモデルは、サポートベクターマシン（SVM）、ランダムフォレスト（RF）、畳み込みニューラルネットワーク（CNN）という3つの分類アルゴリズムと、不確定なILAスライスやケースを処理する2つのラベリング戦略（2ラベル法と3ラベル法）を組み合わせて開発されました。2ラベル法では、非ILAとILA疑いを0、ILA/ILDを1としていました。3ラベル法では、非ILAを0、ILA疑いを0.5、ILA/ILDを1としていました。AIが算出したILA/ILDの確率と、視覚評価によるILA/ILD分類が5年全生存率（OS）とどのように関連するかを評価するため、年齢、性別、体格指数（BMI）、喫煙歴、組織型を調整し、臨床病期で層別化した多変数コックス比例ハザードモデルが用いられました。研究対象者の選定フローは

**Figure 1.** Fig. 1 Flowchart of patient selection解説: 本研究の対象者選定フローチャートを示しています。初期のCTスキャンから除外基準を経て、最終的に研究に含まれた452名の対象者への過程が図示されています。

に示されています。

研究結果：AIが示す強力な予後予測能力

この研究には合計452名の対象者が含まれました（年齢中央値68歳、女性61名）。視覚評価では、251名（56%）が非ILA、118名（26%）がILA疑い、75名（17%）がILA、8名（2%）がILDと分類されました。視覚的ILA/ILD分類の専門家間の合意度は非常に良好でした（カッパ値=0.821）。対象者の人口統計学的特性は

**Table 1.** Table 1 Patient demographics Variable All (n = 452) Non-ILA (n = 251)**解説:** 研究対象者（452名）の人口統計学的特性、および視覚的ILA/ILD分類とAI確率の高低群ごとの詳細な内訳を示しています。年齢、性別、体格指数、喫煙歴、臨床病期、生存状況などが含まれています。

にまとめられています。
AIが算出したILA/ILDの確率と5年全生存率との関連を評価した結果、12種類のAIモデルすべてが、短い全生存率と有意に関連していることを示しました（ハザード比[HR]の範囲は1.74～7.41、全てのp値<0.05）。最もデータの適合度が高かったモデル（ランダムフォレスト分類器を使用し、スライスレベルでは2ラベル法、ケースレベルでは3ラベル法を用いたモデル5）では、死亡のハザード比が7.18（95%信頼区間[CI]：2.70～19.1；p<0.001）と非常に高い値を示しました。これは、AIによる確率が高いほど、死亡リスクが約7倍になることを意味します。視覚評価によるILAも死亡率と関連し（HR=1.60、p=0.039）、ILDはさらに強い関連性を示しました（HR=3.01、p=0.037）。AIスコアと生存率の関連は

**Table 2.** Table 2 HRs of AI scores and ILA/ILDs for worse survival in the multivariable Cox proportional hazard models解説: 多変数コックス比例ハザードモデルにおける、AIスコアおよび視覚的ILA/ILD分類が全生存率に与えるハザード比（HR）とその95%信頼区間、p値、AIC値を示しています。AIモデル5が最も低いAIC値を示し、死亡リスクが最も高いことが分かります。

に示されています。
カプラン・マイヤー曲線でAI確率の低群と高群、および視覚評価の各分類における5年全生存率を比較すると、AI確率の高群では有意に全生存率が悪いことが示されました（p=0.043）。

**Figure 3.** Fig. 3 Kaplan–Meier curves for five-year overall survival according to high versus low AI-derived ILA/ILD probability (the best-fit model)**解説:** 5年全生存率のカプラン・マイヤー曲線を示しています。AはAIが算出したILA/ILD確率の高群と低群での生存率の比較を示し、高AI確率群で生存率が有意に低いことが示されています。BとCは視覚評価によるILA/ILDカテゴリーごとの生存率を示しています。

このAIが算出した確率スコアは、視覚的に分類された非ILA、ILA疑い、ILA、ILDの各グループ間で有意に異なっていました（全てp<0.005）。AI確率スコアの視覚的カテゴリー間の違いは

**Table 3.** Table 3 Differences in AI probabilities among visual categories解説: 視覚的ILA/ILD分類の各カテゴリー間における、AIが算出した確率スコアの中央値と四分位範囲、およびペアワイズ比較のp値を示しています。全てのカテゴリー間でAI確率スコアに有意な差があることが示されています。

に示されており、箱ひげ図で視覚的なグループごとにAI確率スコアの分布を示した

**Figure 4.** Fig. 4 AI-derived probability scores for ILA/ILD likelihood (the best- fit model) in each category AI, artificial intelligence; ILA, interstitial lung abnormality; ILD, interstitial lung disease解説: 視覚的に分類されたILA/ILDの各カテゴリー（非ILA、ILA疑い、ILA、ILD）における、AIが算出した確率スコアの分布を箱ひげ図で示しています。ILDグループでAI確率スコアが顕著に高いことが分かります。

からも、ILDグループでAI確率スコアが顕著に高いことが分かります。

考察：AIがもたらす新たなリスク層別化の可能性

この研究は、食道がんの対象者において、AIが算出したILA/ILDの確率が5年全生存率と有意に関連しており、胸部CTを用いた客観的で再現性のある定量的な予後予測マーカーとなり得ることを示しました。
従来の画像診断では、専門家が肺の異常を視覚的に評価しますが、これには主観性が伴い、観察者間での評価のばらつきが生じやすいという課題がありました。本研究で用いたAIモデルは、視覚的に分類されたILA/ILDのケースを基準に学習されており、病変の直接的な体積を定量化するアプローチとは異なります。これにより、間質性異常だけでなく、依存性無気肺や気道中心の感染性変化など、紛らわしい所見にAIモデルが影響されにくい可能性があります。
また、本研究では造影CT画像がILA評価に用いられましたが、ILAが全生存率と有意に関連していました。ルーチンの臨床現場では、特に悪性腫瘍の対象者において造影CTが唯一のCT検査であることも少なくありません。この結果は、追加の画像検査を必要とせずに、ルーチンで取得される造影CT画像からでもILA評価が可能であり、その臨床的有用性を拡大できることを示唆しています。
AIが算出したILA/ILDの確率は、視覚的ILA/ILD分類の各カテゴリー間で有意な違いを示しましたが、カテゴリー間にはある程度の重複も見られました。しかし、視覚的評価の主観性を補完し、より客観的で定量的な指標を提供することで、臨床および研究の両方においてAIベースの評価が価値を持つ可能性を強調しています。

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。まず、単一施設での後向き研究であり、ILAやILDの対象者数が比較的少ないため、結果の一般化には注意が必要です。次に、CT画像が肺用の高周波カーネルで再構成されていなかった点が挙げられます。ただし、視覚評価の際にはシャープネスフィルターが適用されています。さらに、AIモデルは2020年フレッシュナー学会の定義で学習された一方で、視覚評価は2025年ATS臨床声明に基づいて再評価されたため、評価基準に固有の乖離が存在する可能性があります。しかし、この研究では、この乖離が主な結果に実質的な影響を与えた可能性は低いと考察されています。今後の研究では、最新の2025年ATS基準に準拠したAIモデルの再訓練と検証が重要となるでしょう。
また、この研究では造影CT検査が全て造影剤を使用しており、造影剤による肺の減衰変化が微妙な間質性異常の評価に影響を与えた可能性があります。吸気努力の程度も定量的に評価されていません。今後の研究では、様々な造影条件や吸気努力の変動下でのAIモデルの堅牢性を評価することが価値ある課題となります。
将来的には、病変の重症度評価や経時的変化のモニタリングに特化した追加のAIモデルの開発も求められるでしょう。

まとめ：AIが拓く個別化医療の道

本研究は、食道がんの対象者において、AIが算出した間質性肺異常（ILA）や間質性肺疾患（ILD）の確率が5年全生存率と有意に関連することを示しました。このAIによる確率スコアは、専門家による視覚評価で分類された各カテゴリー間で有意な違いを示しており、視覚評価を補完する再現性のある、予後に関連する定量的なマーカーとして機能する可能性があります。この成果は、ルーチンで取得される胸部CT画像を用いることで、腫瘍の対象者における日和見的なリスク層別化に貢献し、個別化された医療の実現に向けた新たな一歩となることが期待されます。

用語集

間質性肺異常 (ILA): 胸部CTで偶然発見される、軽度の間質の変化を示す所見。
間質性肺疾患 (ILD): 肺の間質組織に炎症や線維化が起こる進行性の肺疾患。
ハザード比 (HR): ある事象（ここでは死亡）の発生リスクの比を示す統計的指標。
全生存率 (OS): 対象者が診断または治療開始から一定期間生存している割合。
アメリカ胸部学会 (ATS): 呼吸器疾患に関する研究、教育、臨床実践を推進する専門家組織。
CT (Computed Tomography): X線を用いて体の断面画像を撮影する画像診断法。
AI (Artificial Intelligence): 人間のような知能をコンピュータで実現する技術。人工知能。
コックス比例ハザードモデル: 生存時間データ解析に用いられる統計モデルで、複数の要因がイベント発生率に与える影響を評価する。
カプラン・マイヤー曲線: ある集団の生存率を経時的に示すグラフ。
ランダムフォレスト (RF): 機械学習アルゴリズムの一種で、複数の決定木を組み合わせることで予測精度を高める。
サポートベクターマシン (SVM): パターン認識や回帰分析に用いられる機械学習アルゴリズムで、データを分類する境界線を見つける。
畳み込みニューラルネットワーク (CNN): 画像認識などの分野で広く用いられる深層学習のモデル。