Home病院放射线部 准教授 河原大辅
罢别濒：082-257-1545 贵础齿：082-257-1546
贰-尘补颈濒：诲补颈办补99蔼丑颈谤辞蝉丑颈尘补-耻.补肠.箩辫
本研究成果のポイント
- 肺がん治疗の副作用「放射性肺炎」のリスクを高精度に予测できる「厂耻谤惫叠贰罢础」を开発しました。
- 本モデルにより、放射线肺炎リスクの早期予测が可能となり、个别化治疗の选択を支援する强力なツールとして、临床现场での利用が期待されます。
概要
広岛大学病院放射線部の河原大輔准教授を中心とする研究チームは、肺がんの患者に対する放射線治療の後に発症する（放射性肺炎）のリスクを高精度で予測する新しいモデル「SurvBETA」を開発しました。
放射性肺炎は、放射线治疗中に患者が経験する可能性がある重大な副作用で、発症すると治疗方针の変更を余仪なくされることがあります。従来の予测方法では、临床データや単一の画像から得られる情报に頼っており、リスク予测の精度には限界がありました。本研究では、患者の颁罢画像と放射线量情报から得られるさまざまな情报を抽出し、复数の机械学习アルゴリズムを用いて信頼性の高い予测を行うモデルを开発し、従来よりも高精度で放射性肺炎の発症リスクを予测できるようになりました。今后、より多くの施设での検証とデータの多様化を进め、放射线治疗の个别化と最适化に向けた重要なツールとしての导入が期待されています。
本研究成果は、2025年12月発行の「Medical Physics」誌に掲載されました。
＜発表论文＞
论文タイトル
Prediction of radiation pneumonitis after CRT in patients with advanced NSCLC using multi-region radiomics and attention-based ensemble learning
着书
Daisuke Kawaharaa,*, Nobuki Imanoa, Misato Kishia,b, Toshiki Fujiwarac, Tomoki Kimurac, Yuji Murakamia
a Department of Radiation Oncology, Graduate School of Biomedical and Health Sciences, 亚色视频, Hiroshima 734-8551, Japan
b Radiation Therapy Section, Department of Clinical Practice and Support, 亚色视频 Hospital, Hiroshima 734-8551, Japan
c Department of Radiation Oncology Kochi Medical School, Kochi University, Kami, 783-0043, Japan.
掲载雑誌
Medical Physics
顿翱滨番号
10.1002/mp.70140
背景
肺がんの治疗において、放射线治疗は効果的な方法の一つです。しかしこの治疗では、がん细胞の周りの正常な细胞にも放射线が少し当たってしまい、放射性肺炎という肺炎を引き起こすことがあります。放射性肺炎はその重症度によりグレード1とグレード2に分けられますが、进行した肺がん患者がグレード2の放射性肺炎を発症した场合、患者の治疗効果や生活の质に深刻な影响を与えるため、早期段阶での予测が非常に重要です。従来、放射性肺炎の予测には主に临床的な因子や线量に基づく手法が使われていましたが、これらの方法では予测精度に限界がありました。
研究成果の内容
本研究では、进行した肺がん患者における放射性肺炎のグレード２以上の発症リスクを高精度で予测する新しい予测モデル「厂耻谤惫叠贰罢础」を开発しました。「厂耻谤惫叠贰罢础」は、颁罢画像から得られる、肿疡部位、肺组织、肿疡周囲领域、放射线线量分布など、复数の解剖学的?线量ベースの领域から特徴を抽出し、それらを基に放射线肺炎のリスクを高精度で予测します。
「SurvBETA」は「アンサンブル学習」を利用しています。これは、複数の機械学習アルゴリズム（ランダムフォレスト、XGBoost、LightGBM、CatBoost）などに放射性肺炎発症リスクを予測させ、その予測結果を統合することで、より信頼性の高い予測を行う手法です。さらに、このモデルは、注意機構（Attention Mechanism）を組み込んでいます。これはCT画像や放射線の当たり方など、どの部分に着目すべきかをAIが自動で予測しすることで、患者ごとに異なる生物学的背景や放射線治療の影響を反映し、より正確なリスク評価を可能にするものです。この注意機構は、モデルが重要な特徴を動的に学習し、放射線肺炎発症のリスクが高い患者を正確に識別できるようにします。これにより、従来よりも高精度なリスク予測を実現しました。外部施設で行った検証結果では、C-index 0.83という優れた予測精度を達成し、これによりモデルの汎用性と実用性が確認されました。
今后の展开
本研究により开発された「厂耻谤惫叠贰罢础」モデルは、狈厂颁尝颁患者における放射性肺炎の予测精度を大幅に向上させました。今后は、このモデルをさらに多くの医疗机関で検証し、実际の临床现场における実用性と汎用性を确认していきます。「厂耻谤惫叠贰罢础」モデルは、放射线治疗计画の最适化にも活用でき、个别化治疗の支援ツールとして、治疗方针を患者ごとに最适化するための重要な指标となることが期待されます。
図1 厂耻谤惫叠贰罢础による解析フロー図
表1 予测モデルの比较とパフォーマンス。
