AIとMRIで肺結節を見つける！超短エコー時間法との比較研究

9月 2, 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: AI-accelerated 3D gradient echo versus ultrashort echo time MRI for lung nodule detection and measurement
Radiology Advances｜被引用数: 0（2026年9月2日時点）

肺の画像診断において、AIの進歩は新たな可能性を切り開いています。本研究では、AIによって加速された3Dグラディエントエコー（CSAI-GRE）MRIと、従来から肺MRIで利用されてきた超短エコー時間（UTE）MRIを比較し、肺結節の検出能力と「Lung-RADS」分類への影響を評価しました。CTをゴールデンスタンダードとして、AI技術がどのように肺結節検出の精度向上に貢献するのか、その最新の知見を詳しく見ていきましょう。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のMRIシステムとCT画像を用いて54名の対象者を評価し、実行可能性を示した。
Ethical倫理面	倫理委員会承認済みであり、書面による同意を取得。低被曝・非侵襲性MRIの活用は倫理的である。
Interesting面白さ	AI加速MRIとUTE MRIという異なる肺MRI技術の直接比較は臨床的に興味深い知見を提供する。
Novel新規性	AI加速3DグラディエントエコーとUTEの、呼吸同期かつ同等の撮像時間での直接比較は新規性が高い。
Relevant切実さ	肺結節検出における放射線被曝低減とMRIの役割拡大という重要な臨床課題に対応する。
Measurable測定可能性	画像品質スコア、結節検出率、Lung-RADS一致度、結節径の測定差など客観的に測定可能であった。
Modifiable派生・改善	AI再構成アルゴリズムやシーケンスパラメータの最適化により、将来的な性能向上の余地がある。
Structured文章構造	単一施設の前向き観察研究として、明確な目的、材料、方法、結果、考察で構成されている。
PICO / PECO対象・介入・比較・結果	P (CTで肺結節が検出された対象者) I (CSAI-GRE MRI) C (UTE MRI) O (結節検出、Lung-RADS分類、画像品質)。

はじめに：肺MRIの進化とAIの役割

どうも、Beyond the Pixelです。近年、医療画像診断の分野では、人工知能（AI）の導入により大きな変革が起きています。特に、放射線被曝を伴わないMRI（磁気共鳴画像法）が肺の評価に応用される動きが注目されています。肺MRI技術の進歩は、その臨床的有用性を大幅に広げ、特に肺結節の検出において、CT（コンピュータ断層撮影）の代替となりうる可能性を秘めています。本ブログでは、最新の研究論文に基づき、AI技術が肺結節の検出にどのように貢献しているのか、そして既存のMRI技術と比べてどのような利点があるのかを深掘りしていきます。AIとMRIが織りなす肺結節検出の未来に焦点を当てて、詳しく見ていきましょう。

UTE法の課題とAI加速MRIの登場

肺MRIにおいて、従来から広く用いられてきたのがUTE（Ultrashort Echo Time：超短エコー時間）シーケンスです。これは、短いT2*信号を検出することで、肺実質の良好な信号を得られるため、肺結節の検出に有効であることが示されてきました。しかし、UTEシーケンスは、撮像時間が長く、再構成が複雑であるという課題を抱えていました。非カルテシアンサンプリング（データ収集方法の一種）に依存するため、ワークフロー効率や幅広い臨床導入が制限されることが指摘されています。

**Figure 1.** Figure 1 STARD cohort diagram.解説: 本研究における対象者の選定プロセスを示すフローチャートです。947名のCT検査対象者から、最終的にMRIを受けた54名の対象者と97個の肺結節が解析に含まれました。

こうした背景から、研究者たちは、より効率的で高性能な肺MRI技術の開発を進めてきました。特に、AIの進化により、並列イメージング、圧縮センシング、そして深層学習を組み合わせた再構成フレームワークは、3Dグラディエントエコー（Gradient Echo：MRIの撮像シーケンスの一種）シーケンスの撮像を大幅に加速することを可能にしました。本研究で比較されたCSAI-GRE（AI加速3Dグラディエントエコー）は、このようなAI技術を応用した新しいシーケンスです。この技術により、既存の課題を克服し、肺結節検出の性能を向上させることが期待されています。

研究の概要：AI加速MRIとUTE法の比較

この研究の目的は、AIによって強化された3Dグラディエントエコーシーケンス（CSAI-GRE）と、3D UTEシーケンスを比較し、肺結節の検出と「Lung-RADS」（肺画像報告・データシステム：肺結節の評価と管理に関する標準化された分類システム）分類における性能を評価することでした。CT検査で検出された肺結節を持つ対象者を対象とし、CTをゴールデンスタンダード（比較対象となる最も信頼性の高い診断基準）として使用しています。これは、AI技術を用いた新しいMRIシーケンスが、既存の肺MRI技術やCTに対してどの程度の診断能力を持つのかを検証する上で非常に重要な比較研究と言えます。

研究対象者と方法

本研究は、単一施設で行われた観察研究であり、CTで少なくとも1つの肺結節が検出された対象者が対象となりました。2025年2月から6月の間に日常的な臨床ケアの一環として胸部CT検査を受けた対象者から、最終的に54名の対象者が研究に参加し、合計97個の肺結節が評価されました。

**Table 1.** Table 1 Patient characteristics.解説: 研究に参加した対象者の特性をまとめた表です。平均年齢は65歳で、男性が57.4%、女性が42.6%でした。CTの主な適応は腫瘍学的病期診断・経過観察で、病変の原因として転移が最も多く報告されています。

対象者の平均年齢は65歳で、女性が43%を占めていました。

**Table 2.** Table 2 Nodule characteristics.解説: 検出された肺結節の特性をまとめた表です。97個の結節のうち、約90.7%が充実性結節であり、50.5%が転移性病変、21.6%が原発性肺がんでした。

MRI検査には、呼吸同期AI加速3Dグラディエントエコーシーケンス（CSAI-GRE）と呼吸同期3D UTEシーケンスの両方が含まれ、両シーケンスとも同等の撮像時間で取得されました。3名の放射線科専門家が独立して画像品質、結節検出、Lung-RADS分類を評価しました。画像評価はPACS（医用画像管理システム）上で行われ、専門家は臨床情報やCT所見に対して盲検化されていました。CTは参照標準として機能しました。統計解析には、画像品質に対するペアテスト、病変レベルの検出に対する混合効果モデリング、Lung-RADSの一致度に対するκ（カッパ）統計量（2つ以上の評価者間の一致度を測る統計指標）などが用いられました。

肺結節の検出性能と画像品質

研究の結果、CSAI-GREはUTEと比較して、主観的な画像品質が有意に高いことが示されました（平均スコア：CSAI-GRE 4.30 vs UTE 3.91; P = .005）。画像品質の評価は5段階のリッカート尺度（項目に対する合意度や評価の程度を段階的に示す心理尺度）で行われ、CSAI-GREは全体的な判読性、アーチファクト、ぼやけ、解剖学的詳細、結節の視認性のすべての項目で高い評価を得ました。

**Figure 3.** Figure 3 Image quality ratings of CSAI-GRE and UTE MRI. Bars represent mean patient-level image quality scores after averaging ratings across readers for each patient and sequence. Error bars indicate 95% CIs. Image quality was evaluated using a 5-point Likert scale (1 = non-diagnostic, 5 = excellent). (A) Image features. CSAI-GRE demonstrated significantly higher ratings for overall interpretability (P = .005), artifacts (P = .002), blurring (P = .004), anatomical detail (P = .005), and nodule conspicuity (P = .009) compared with UTE (Wilcoxon signed-rank test). (B) Anatomic region. CSAI- GRE = compressed sensing artificial intelligence-accelerated gradient-echo sequence; UTE = ultrashort echo time sequence.解説: CSAI-GREとUTE MRIにおける画像品質評価スコアの比較グラフです。CSAI-GREは、全体的な判読性、アーチファクト、ぼやけ、解剖学的詳細、結節の視認性など、すべての評価項目でUTEよりも高い平均スコアを示しました。

病変レベルでの結節検出率は、CSAI-GREが96.9%であったのに対し、UTEは92.8%でした。混合効果分析では、CSAI-GREの方がUTEよりも条件付き検出オッズが有意に高いことが示されています（オッズ比[OR]：10.2; 95% CI, 2.4-43.3; P = .002）。

**Table 3.** Table 3 Lesion-level detection performance.解説: 病変レベルでの結節検出性能を比較した表です。CSAI-GREは96.9%の検出率で、UTEの92.8%よりも有意に高い検出率を示しました。

特に10mm未満の結節のサブグループにおいても、CSAI-GREは94.4%の検出率を示し、UTEの87.0%を上回りました。いずれのシーケンスでも偽陽性結節は検出されませんでした。CSAI-GREで見逃された結節は3個、UTEで見逃された結節は7個でした。3個の小さな充実性結節は両シーケンスで見逃され、さらに4個の小さな充実性結節はUTEのみで見逃されました。

Lung-RADS分類の一致度と再分類

MRIとCT間のLung-RADS分類の一致度は、専門家間でCSAI-GREが「実質的」から「ほぼ完全」な一致（κ範囲：0.79-0.93）、UTEが「中程度」から「ほぼ完全」な一致（κ範囲：0.72-0.94）を示しました。しかし、CTと比較したLung-RADS再分類は、CSAI-GREで12.3%（20/162）、UTEで20.8%（33/159）の評価で発生しました。これには、臨床管理に影響を与える重要な再分類がCSAI-GREで5.6%（9/162）、UTEで10.7%（17/159）含まれていました。最も頻繁な重要な再分類は、Lung-RADS 4Xからより低いカテゴリーへのダウングレード、または4Aから4Bへのアップグレードでした。

**Figure 4.** Figure 4 Multimodal examples of pulmonary nodules on CT and MRI. For all panels, images are shown as contrast-enhanced CT, respiratory-gated AI- accelerated 3D gradient-echo MRI with isotropic resolution (CSAI-GRE), and respiratory-gated 3D isotropic UTE MRI using FLORET trajectory from left to right. Insets show magnified views of the lesion. (A) Solid pulmonary nodule in the left upper lobe of an 84-year-old man with prostate cancer, representing a pulmonary metastasis. Mean nodule diameter 13 mm on CT, 12mm on CSAI-GRE, and 9mm on UTE. The nodule was classified as solid by all readers on both MRI sequences. Based on its solid attenuation and size between 8 and 15 mm, the nodule was assigned Lung-RADS 4A on CT, CSAI- GRE, and UTE by all readers. (B) Subpleural part-solid pulmonary nodule in the left upper lobe of a 76-year-old man. Mean nodule diameter measured 37 mm on CT, 32mm on CSAI-GRE, and 38mm on UTE; corresponding solid-component diameters were 8, 10, and 14 mm. The nodule was classified as part-solid by all readers and assigned Lung-RADS category 4B on all modalities. Histopathology confirmed lepidic-predominant non-small cell lung carcinoma (NSCLC). The thick arrow indicates the ground-glass component, while the arrowhead marks the solid component. (C) Ground-glass pulmonary nodule in the right upper lobe of a 63-year-old woman. Mean nodule diameter was 11 mm on CT, and 10 mm on both CSAI-GRE and UTE. The nodule was classified as ground glass on CT; on CSAI-GRE, 2 readers classified it as ground glass and 1 reader as part-solid, whereas all readers classified it as part- solid on UTE. The nodule was assigned Lung-RADS 2 on CT and CSAI-GRE and Lung-RADS 3 on UTE. Follow-up confirmed an inflammatory nodule. In the UTE inset, the arrowhead marks the component interpreted as solid component, and the thick arrow marks the true ground-glass component.解説: CTとMRIによる肺結節のマルチモーダルな画像例です。(A)充実性結節、(B)部分充実性結節、(C)すりガラス結節がそれぞれCT、CSAI-GRE、UTEの画像で示されています。

これらの再分類率は、MRIベースのLung-RADS分類が、日常的な臨床応用にはまだ十分な堅牢性を持っていない可能性を示唆しています。

結節のサイズ測定

結節の平均直径は、CSAI-GREとUTEの両方の画像で評価されました。専門家が測定したMRI測定値とCTの比較では、両シーケンスとも優れた測定一致度を示しました（層内相関係数[ICC]：CSAI-GRE 0.975、UTE 0.955）。ブロードマン・アルトマン解析（2つの測定方法間の一致度を視覚的に評価する統計手法）では、体系的な測定バイアスは見られませんでした。

**Figure 5.** Figure 5 Bland-Altman analysis of pulmonary nodule size measurements on MRI compared with CT. (A) CSAI-GRE vs CT. Mean difference −0.3 mm with 95% limits of agreement −5.1 to 4.6 mm. (B) UTE vs CT. Mean difference 0.1 mm with 95% limits of agreement −7.0 to 7.1 mm. Each dot represents one pulmonary nodule. The solid horizontal line indicates the mean difference (bias) between MRI and CT measurements, while the dashed lines represent the 95% limits of agreement (mean difference ± 1.96 SD). CSAI-GRE = compressed sensing accelerated 3D gradient echo with deep learning reconstruction; UTE = ultrashort echo time sequence.解説: MRIとCTによる肺結節サイズ測定値のブロードマン・アルトマン解析結果です。(A)はCSAI-GREとCT、(B)はUTEとCTの比較で、いずれも測定値の平均差は小さいものの、95%一致区間は幅広く、臨床的に関連する測定ばらつきがあることを示唆しています。

しかし、広い一致区間は、特に小さな肺結節において、測定のばらつきが臨床的に関連しうることを示唆しています。このばらつきには、部分容積効果、MRI固有の空間分解能の限界、呼吸同期にもかかわらず残る呼吸性移動、シーケンスに依存する組織コントラストと境界定義などが寄与していると考えられます。

考察：AI加速MRIの優位性と今後の展望

本研究は、呼吸同期3D UTEとAI加速3D GREシーケンスの直接比較において、CSAI-GREがUTEよりもわずかに高い結節検出率と優れた主観的画像品質を提供することを示しました。これは、CSAI-GREが並列イメージング、圧縮センシング、深層学習に基づく再構成により、効率的なアンダーサンプリングを行いながらも高い空間分解能を維持できるためと考えられます。GREシーケンスの短いエコー時間（0.83ms）は肺実質の信号を低く抑え、病変と背景組織のコントラストを高める効果がある一方、UTEシーケンスは非常に短いT2*成分を捉えることで肺実質からの信号を得ますが、これが結節と周囲組織のコントラストを低下させる可能性があります。今回の研究では、CSAI-GREが1mmの等方性ボクセルを使用し、UTEが1.5mmの等方性分解能であったことも、検出率の違いに影響を与えた可能性があります。

Lung-RADS分類における課題と臨床応用

Lung-RADS分類の一致度は両シーケンスともにCTとの間で実質的からほぼ完璧なものでしたが、再分類率はCSAI-GREで12.3%、UTEで20.8%であり、管理に影響を与える重要な再分類もそれぞれ5.6%、10.7%発生しました。これらの結果は、MRIに基づくLung-RADS分類が、ルーチンの臨床意思決定に用いるにはまださらなる最適化が必要であることを強調しています。MRIの潜在的な応用としては、他の腫瘍学的適応のためにMRIを受けている対象者の肺評価が挙げられます。例えば、がんの病期診断や経過観察のために腹部や骨盤のMRIを受けている対象者において、肺も同時に評価できれば、追加のCT検査の必要性を減らせる可能性があります。また、小児対象者や放射線被曝が懸念される繰り返し検査が必要な対象者にとっても、MRIは有利な選択肢となりえます。これらの状況では、CTと比較してわずかに検出性能が低下しても、MRIが臨床的に重要な結節を確実に特定できるのであれば、許容される可能性があります。

研究の限界と将来の研究

本研究にはいくつかの限界があります。まず、CTで肺結節が検出された対象者のみを対象としたため、結節の有病率が高い集団であり、スクリーニング集団と比較して専門家の結節検出に対するバイアスが生じた可能性があります。これにより、特異度の評価ができず、偽陽性結節が検出されなかった理由も説明できます。また、CTで確認された結節のみを対象としたため、精度やAUC（受信者操作特性曲線下面積）は計算できませんでした。専門家が3名のみであったため、専門家レベルの変動の推定値は注意して解釈する必要があります。CTがゴールデンスタンダードとして使用されましたが、すべての結節について病理組織学的確認が得られたわけではなく、良性結節は主に経過観察での画像安定性に基づいて判断されました。CTとMRIの間に最大8日間の間隔があったため、特に炎症性または一過性の結節において、測定のばらつきに寄与した可能性があります。また、両シーケンス間でスライス厚が異なることも比較にバイアスをもたらした可能性があり、UTEはCSAI-GREと同等の撮像時間を維持するために低い空間分解能が選択されました。UTEの技術開発がGREベースのアプローチよりも未成熟であることも、今後の技術最適化によって性能が変化する可能性を秘めています。さらに、進行した肺気腫や重度の構造的肺疾患のある対象者が除外されたため、肺がんスクリーニング集団への一般化には限界があります。最後に、研究コホートの結節サイズが比較的大きかったため、より小さな結節が優勢な早期スクリーニングコホートと比較して、検出性能が過大評価されている可能性があります。今後の研究では、より大規模で多様な対象者集団においてCSAI-GREを評価し、結節の成長評価におけるMRIベースの測定の診断精度と信頼性を決定するための縦断研究が必要です。また、肺結節の特性評価のための高度な定量的MRI技術の探求も重要となるでしょう。結論として、CSAI-GREは高い主観的画像品質と信頼性の高い肺結節検出を提供し、減衰評価とLung-RADS分類においてCTと良好な一致を示しました。しかし、両シーケンスで見られた重要なLung-RADS再分類率は、MRIベースの結節評価が日常的な臨床意思決定に採用される前に、さらなる最適化が必要であることを示しています。

補足図表

Figure 2

用語集

UTE (Ultrashort Echo Time): 超短エコー時間。肺実質からの信号を捉えるのに適したMRIシーケンス。
CSAI-GRE (AI-accelerated 3D Gradient Echo): AI加速3Dグラディエントエコー。並列イメージング、圧縮センシング、深層学習を組み合わせた再構成フレームワークにより加速された3Dグラディエントエコーシーケンス。
Lung-RADS (Lung Imaging Reporting and Data System): 肺画像報告・データシステム。肺結節の評価と管理に関する標準化された分類システム。
グラディエントエコー (Gradient Echo): MRIの撮像シーケンスの一種。
CT (Computed Tomography): コンピュータ断層撮影。X線を用いて身体の内部を画像化する検査。
ゴールデンスタンダード (Reference Standard): 比較対象となる最も信頼性の高い診断基準。
k-空間 (k-space): MRIにおいて、収集された生データが格納される空間。
並列イメージング (Parallel Imaging): MRIにおいて、複数の受信コイルを使用して撮像時間を短縮する技術。
圧縮センシング (Compressed Sensing): MRIなどの画像再構成において、少ないデータから高品質な画像を再構成する技術。
深層学習 (Deep Learning): AIの一種で、多層のニューラルネットワークを用いてデータから特徴を学習し、予測や分類を行う技術。
FLORET (Fermat Looped, Orthogonally Encoded Trajectories): UTEシーケンスにおけるサンプリング効率を向上させるための軌道設計。
リッカート尺度 (Likert scale): 項目に対する合意度や評価の程度を段階的に示す心理尺度。
κ（カッパ）統計量 (Kappa statistics): 2つ以上の評価者間の一致度を測る統計指標。
オッズ比 (Odds Ratio, OR): ある事象が起こる確率の比率。
層内相関係数 (Intraclass Correlation Coefficient, ICC): 複数評価者間または測定間の信頼性を評価する統計指標。
ブロードマン・アルトマン解析 (Bland-Altman analysis): 2つの測定方法間の一致度を視覚的に評価する統計手法。