頭頸部画像のAI解析（AI Analysis of Head and Neck Imaging）

⚠️ 医療者向け研究レビュー。診療判断・医学的助言ではない。最終判断は一次資料と専門家の評価による。最終更新: 2026-06-04 ／反映論文: 13件（SR3・総説3・原著6・補助SR1）／未レビュー

サマリ（現時点の到達点）

頭頸部画像のAI解析（深層学習DL・radiomics）は、頭頸部癌(HNC/HNSCC)の腫瘍検出・セグメンテーション・良悪性鑑別・病期/予後予測・治療反応予測・線量分布予測の広範なタスクで研究されている。手法は、事前定義した数学的特徴を抽出する手作りradiomics(HC)と、畳み込み層で自動的に特徴を学習する深層学習(DL)特徴（CNN・U-Net・GAN・Vision Transformer・グラフ畳み込みネット等）に大別され、近年は両者および臨床データを統合するマルチモーダルが主流化している。

応用領域は、PRISMA準拠SRが整理するように①診断（病期分類・グレーディング・良悪性鑑別）と②予後（治療反応・再発・転移・生存の予測）に大別され、加えて分子状態推定(radiogenomics)まで拡張している（confidence:medium）。中核所見として、外部検証を満たすHNSCC予後モデルに限定したSRでは、DLモデルがHCよりやや高性能だが、方法論的堅牢性はHC研究の方が総じて良好であり、報告C-index/AUCは0.40〜0.92と大きく分散する（confidence:medium）。臨床因子＋画像特徴を統合したモデルが臨床単独を上回ることが繰り返し示される一方、プロトコル事前登録・臨床的有用性評価(decision curve analysis)を行った研究は皆無で、撮像/再構成パラメータや特徴選択の記載不足など再現性の問題が広く残る（confidence:medium）。原著レベルでは、PET＋CTのHC＋DLスタッキング統合が生存予測でC-index 0.93超、MRIのDLRが舌癌T病期判別でAUC 0.81〜0.86、CTのDLRノモグラムが喉頭癌リンパ節転移予測でAUC 0.86〜0.93、生存予測(C-index ~0.79)・良悪性鑑別(AUC 0.82〜0.90)・化学免疫療法反応予測(AUC 0.74〜0.78)・EGFR変異推定(外部AUC 0.875)で有望な性能が報告されるが、いずれも後ろ向きで前向き検証は乏しく、訓練→外部で性能が乖離する例（過学習の示唆）も散見される（confidence:low〜medium）。一貫した知見は、ハンドクラフトradiomics(HC)＋深層学習(DL)特徴の統合・臨床因子を加えたノモグラム/アンサンブルが、単一手法を上回ることである（confidence:medium）。

カバレッジ（この知識の確からしさ範囲）

背骨(anchor): — SR・2025（BJR Artif Intell, 全文精読）。PRISMA準拠、外部検証(TRIPOD type 3/4)を満たすHNSCC予後モデルのみに限定し、HC vs DLを直接比較（1718件→23件）。HC16/DL6/両方1件。NPC・手術単独管理癌・短期反応のみの研究は除外。
補助SR: （SR・暫定, PRISMA/TRIPOD/PROBAST, 45件）— AIベースradiomicsの応用領域マップ（診断/予後）と臨床翻訳の5障壁（データ不均衡/特徴量エンジニアリング/汎化性/マルチモーダル融合/解釈性）を提供。応用範囲が予後モデル限定の anchor を補完。
補助統合: （総説・全文, MRI/CT/PETのDL応用とアーキテクチャ）・（総説・全文, NPC予後のradiomics＋DLとワークフロー原理）・（総説・暫定, radiomics＋pathognomics）・旧背骨（SR・暫定, 放射線治療AI/MLの臨床試験）。
原著差分(2023–2026): （PET＋CTのHC＋DLスタッキングで生存予測, 9施設806例外部検証C-index 0.93, 全文）・（MRIのDLRで舌癌T病期判別, 外部AUC 0.86, 全文）・（CTのDLRノモグラムで喉頭癌LNM予測, AUC 0.86〜0.93, 全文）・（CTのDLRNでHNSCCのEGFR変異推定, 外部AUC 0.875, 暫定）・（連続MRI×GCNで生存予測, C-index 0.79）・（DLRで傍咽頭間隙腫瘍の良悪性鑑別, AUC 0.82〜0.90）・（DL強化MRI radiomicsで化学免疫療法のpCR予測, AUC 0.74〜0.78）。
反映範囲: アンカーSR・総説2本・原著3本（40804402/40847271/40874230）は全文精読。補助SR1本・総説1本・原著3本（37481418/39812582/39932109/41147765）・旧SRはabstract-only暫定（provisional-abstract）で、各n・キャリブレーション・サブ群・95%CIは未確認。
飽和目標: 診断的読影・自動セグメンテーション・予後/治療反応予測の前向き/外部検証エビデンス、HPV/p16画像推定、リンパ節転移予測のSR/GLを次回優先で取得し、暫定原著（37481418等）を全文昇格する。

病態・基礎

頭頸部画像AIの2大特徴抽出パラダイムは、事前定義関数で特徴を計算する手作りradiomics(HC)と、畳み込み＋プーリングで知識非依存にデータ駆動で特徴を学習する深層学習(DL)特徴。
radiomicsで最も多用される特徴は応用領域を問わず画像テクスチャ関連。ハンドクラフト特徴は first-order（ボクセル強度分布）・second-order/texture（隣接ボクセルの空間関係＝腫瘍内不均一性）・higher-order（フィルタ適用後パターン）に大別される。
radiomics解析の標準ワークフローは①データ取得・キュレーション（モダリティ選択・ROI/VOI描出・予測エンドポイント定義）→②特徴抽出・選択→③モデル開発→④検証（内部＋外部）の4段階。ハンドクラフト特徴は前処理（フィルタリング・強度離散化・再構成パラメータ）に強く依存し、これが再現性低下の主因。
画像(radiomics)に加え、病理組織由来特徴(pathognomics)もコンピュータビジョンの対象であり、分子バイオマーカーの延長として腫瘍特徴・リンパ節特徴の特徴付けに用いられる。
先端アーキテクチャとして、セグメンテーションのU-Net、データ圧縮/ノイズ除去の畳み込みオートエンコーダ、超解像のGAN、Vision Transformer、経時情報統合のグラフ畳み込みネット(GCN)が用いられる。

診断

検出・セグメンテーション: 原発腫瘍・リンパ節・OAR(脊髄/耳下腺)のセグメンテーションにCNN/U-Netが応用され、頭頸部原発腫瘍で3D CNNがDice 0.85（アトラス法0.74）と報告。金属/歯科充填アーチファクト・PETの低分解能/高ノイズが性能を制約。
良悪性鑑別: 傍咽頭間隙腫瘍の良悪性鑑別で、DL＋radiomics統合のDLRモデルがAUC 0.82〜0.90と単独モデルを上回り、DCAで臨床的有用性が確認された（後ろ向き2施設217例, confidence:medium）。
病期分類: MRI(T2WI＋造影T1)のDLR(ResNet18/50)が舌癌の術前T病期(T1-2 vs T3-4)を判別し、外部検証AUC 0.857〜0.860と従来radiomics(0.770〜0.828)を上回った（後ろ向き2施設579例, NRI/IDI>0, Grad-CAMで舌底浸潤を局在化, confidence:medium）。著者は術前T病期に有効な既報画像モデルはこれまで無いと位置づける。
リンパ節転移(LNM)予測: 喉頭癌(LSCC)で、CTのDLR特徴＋臨床画像特徴(原発部位・CT報告LNM)を統合したノモグラムがLNMを予測し、AUC 訓練0.934/検証0.864と臨床単独(0.832/0.817)・従来radiomics(0.861/0.818)・DLR単独(0.913/0.864)を上回り、DCAで臨床的有用性も最高（単施設235例, 外部検証なし・過学習懸念で confidence:medium）。非侵襲的LN病期診断で過剰郭清の回避に資する可能性。
分子状態推定(radiogenomics): 造影CTのDLRノモグラム(手動radiomics＋GoogLeNet DL特徴＋臨床因子)がHNSCCのEGFR変異状態を非侵襲的に推定し、外部テストAUC 0.875（後ろ向き2施設300例, 暫定, confidence:medium）。画像AIの応用が分子マーカー推定へ拡張しつつある。
診断画像(CT/MRI/PET)の前向き・多施設での自動読影の網羅的検証は依然不足。応用領域はSRで①病期/グレーディング/良悪性鑑別の診断、②治療反応/再発/転移/生存の予後に大別される。

治療

放射線治療計画での線量分布予測・ビーム配置最適化、OARセグメンテーションにDLが応用される。
治療反応予測: HNSCCの術前化学免疫療法(化学療法＋PD-1阻害薬)に対する病理学的完全奏効(pCR)を、MRIのDL特徴＋radiomics＋臨床データ統合モデルが外部検証AUC 0.740で予測（後ろ向き, confidence:low）。
画像＋臨床データを統合したマルチモーダルDLが個別化治療に向け最も有望な方向と複数で示唆。

予後・経過

外部検証を満たすHNSCC予後モデルのSRでは、DLがHCよりやや高性能だが方法論の質はHCが上、報告C-index/AUCは0.40〜0.92と分散し、最高性能の研究ほど方法論的堅牢性が低い（性能と質の乖離）（confidence:medium）。
臨床因子＋画像特徴の統合モデルが臨床単独を上回ることが多数で再確認される（多次元データの優位）。ただしPET追加で性能が低下した例もあり一様ではない。
連続MRI(IC前後)×GCNのradiomics-臨床モデルが局所進行鼻咽頭癌の無病生存をC-index 0.79で予測し、TNM病期(0.53〜0.62)を有意に上回った（多施設後ろ向き1039例）。モデル定義リスク群はCCRTの上乗せ効果の有無を層別化し、リスク適応治療に資する（confidence:medium）。
マルチモーダル×アンサンブル: PET＋CTのIBSI準拠radiomics特徴＋3D DenseNet-121深層特徴を5基底モデル(Cox/SVM/RSF/DeepCox/DeepSurv)でスタッキング統合する枠組みが、9施設806例の全生存予測で外部検証C-index 0.9345（radiomicsのみ0.73→深層特徴併用で0.93台）を達成し、単一モデル・単一モダリティを上回りKMで高/低リスクを弁別した（confidence:medium）。ただし著者は統合の改善幅自体は控えめで、基底モデルが類似/低性能だとスタッキングが個別モデルを下回りうると注記。ComBat系の線形ハーモナイゼーションでは非線形バッチ効果が残る。

更新履歴

2026-06-04: 差分6本を反映（PRISMA SR1・総説1・原著4）。補助SRで応用領域マップ(診断/予後)・臨床翻訳の5障壁を補強、NPC総説でradiomics特徴3階層・4段階ワークフロー原理を追加。原著はPET＋CT HC＋DLスタッキング生存予測(C-index 0.93, 9施設806例)・MRI DLR舌癌T病期(外部AUC 0.86)・CT DLRノモグラム喉頭癌LNM予測(AUC 0.86〜0.93)・CT DLRN EGFR変異推定(外部AUC 0.875)を反映。「診断」に病期分類/LNM予測/radiogenomics、「予後」にマルチモーダル×アンサンブルを追加し、ComBat線形ハーモナイゼーションの限界・過学習/楽観性バイアスを論点に追記。paper_count 7→13。
2026-06-03: 中核背骨を（2025 BJR Artif Intell, 全文精読のHC vs DL予後モデルSR）に格上げ。総説2/・原著3//を反映し、応用領域(検出/セグメンテーション/良悪性鑑別/予後/治療反応)・手法(CNN/U-Net/GAN/ViT/GCN・HC vs DL・マルチモーダル)・代表性能(C-index 0.79, AUC 0.74〜0.90)・臨床翻訳の障壁(外部検証/事前登録/再現性/解釈性)を充実。paper_count 1→7。旧背骨は補助統合に降格。
2026-06-01: 初版作成（abstract-only 暫定）。HNC放射線治療AI/MLの臨床試験SRを狭い暫定背骨として反映。

参照論文

— アンカー(SR・全文): 外部検証を満たすHNSCC予後モデルでDLがHCよりやや高性能だが方法論はHCが上、C-index/AUC 0.40〜0.92、統合モデルが臨床単独に優る、事前登録/臨床的有用性評価は皆無 (Gouthamchand 2025, BJR Artif Intell / sr-ma / Lv.2 / RoB:some-concerns / confidence:medium / full-text)
— 統合(総説・全文): MRI/CT/PETのDL応用(検出/セグメンテーション/治療反応)・先端アーキテクチャ(GAN/ViT)・従来手法との使い分け・前向き検証不足 (Illimoottil 2023, Cancers / narrative-review / Lv.5 / confidence:low / full-text)
— 統合(総説・暫定): radiomics＋pathognomics(病理)をコンピュータビジョンとして統一視、多次元データ統合の必要性 (Bourdillon 2024, Otolaryngol Clin North Am / narrative-review / Lv.5 / confidence:low / provisional-abstract)
— 原著(予測モデル・暫定): 連続MRI×GCNで局所進行NPCの無病生存を予測、C-index 0.79でTNMに優り、リスク適応治療を支援 (Kou 2025, Radiol Artif Intell / prediction-model / Lv.4 / RoB:some-concerns / confidence:medium / provisional-abstract)
— 原著(診断精度・暫定): MRIのDLR(DL＋radiomics)で傍咽頭間隙腫瘍の良悪性鑑別、AUC 0.82〜0.90で単独モデルに優る (Yan 2025, Laryngoscope / diagnostic-accuracy / Lv.4 / RoB:some-concerns / confidence:medium / provisional-abstract)
— 原著(予測モデル・暫定): DL強化MRI radiomics＋臨床でHNSCCの化学免疫療法pCRを予測、外部検証AUC 0.740 (Lan 2026, Int J Surg / prediction-model / Lv.4 / RoB:high / confidence:low / provisional-abstract)
— 補助統合(SR・暫定): HNCのAI/ML臨床試験で深層学習が優位だが従来型も同等のことがあり、テクスチャ系radiomic特徴量＋臨床データ統合が最有望 (Costin 2025, Phys Med / sr-ma / Lv.2 / RoB:some-concerns / confidence:medium / provisional-abstract)
— 補助SR(暫定): AIベースradiomicsの応用領域(診断＝病期/グレーディング/良悪性鑑別、予後＝治療反応/再発/転移/生存)を整理、臨床翻訳の5障壁(データ不均衡/特徴量エンジニアリング/汎化性/マルチモーダル融合/解釈性)を提示 (Alabi 2024, Int J Med Inform / sr-ma / Lv.2 / PROBAST / RoB:some-concerns / confidence:medium / provisional-abstract)
— 統合(総説・全文): NPC予後のradiomics＋DL予後評価を概観、radiomics特徴の3階層分類・4段階ワークフロー原理・標準化/前処理依存の課題 (Pușcaș 2025, Medicina / narrative-review / Lv.5 / confidence:low / full-text)
— 原著(予測モデル・全文): PET＋CTのIBSI準拠radiomics＋3D DenseNet-121深層特徴を5基底モデルでスタッキング、9施設806例で外部検証C-index 0.9345、単一モデル/モダリティに優る。改善幅は控えめ・ComBat線形ハーモナイゼーションの限界 (Wang 2025, Radiat Oncol / prediction-model / Lv.2 / TRIPOD / RoB:some-concerns / confidence:medium / full-text)
— 原著(診断精度・全文): MRIのDLR(ResNet18/50)で舌癌の術前T病期(T1-2 vs T3-4)を判別、外部AUC 0.857〜0.860で従来radiomicsに優り、Grad-CAMで浸潤境界を可視化 (Lu 2025, BMC Cancer / diagnostic-accuracy / Lv.3 / STARD / RoB:some-concerns / confidence:medium / full-text)
— 原著(診断精度・全文): CTのDLR特徴＋臨床画像特徴を統合したノモグラムで喉頭癌(LSCC)のリンパ節転移を予測、AUC 訓練0.934/検証0.864で単独手法に優りDCAで臨床的有用性最高。単施設・過学習懸念 (Liang 2025, Front Oncol / diagnostic-accuracy / Lv.3 / STARD / RoB:high / confidence:medium / full-text)
— 原著(診断精度・暫定): 造影CTのDLRノモグラム(手動radiomics＋GoogLeNet DL特徴＋臨床因子)でHNSCCのEGFR変異状態を非侵襲推定、外部テストAUC 0.875 (Zheng 2024, Acad Radiol / diagnostic-accuracy / Lv.3 / STARD / RoB:some-concerns / confidence:medium / provisional-abstract)

このトピックに反映した論文カード・知識更新の履歴を見る