耳鼻咽喉科ナレッジ
検索
このページの内容

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: 2026-06-13 ／ 反映論文: 23件（SR3・総説5・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）。

2026年のJAMA Otolaryngologyレビューは、radiomicsの射程をHNC/HNSCCだけでなく、慢性鼻副鼻腔炎・中耳疾患などの炎症性疾患、睡眠、小児領域へ広げて整理した。治療反応では放射線治療線量分布を使うdosiomics、経時画像変化を使うdelta-radiomicsが、治療反応・再発・放射線毒性の予測に有望とされる。一方で、撮像プロトコルのばらつき、手作業セグメンテーションの負荷、小規模コホート、外部検証不足が臨床翻訳の共通障壁である点は変わらない（confidence:medium・abstract暫定）。

2026年のAI-CDSS umbrella review（47 SR）は、CNNベースのdecision supportを診断・治療計画・予後予測の三領域で統合した。診断では画像/病理のCNN、治療では自動輪郭描出・毒性予測・HSI/OCT術中支援、予後ではradiomics＋臨床＋分子データの統合が従来病期を上回る方向を示す。ただし、組入れSRの質評価は不均一で、後ろ向き・単施設・小規模/異質データ、外部検証不足、black box性、臨床ワークフロー未検証が残る。したがって「AI-CDSSは有望だが、前向き多施設検証・標準化・説明可能性・MDT内での実装評価がない限り補助ツール」という位置づけに留める（confidence:medium・full-text）。

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）。
  • 2026年横断レビュー: （JAMA Otolaryngology, abstract-only）— radiomicsの応用をHNC/HNSCCから鼻科・耳科炎症性疾患、睡眠、小児へ広げ、dosiomics/delta-radiomicsと臨床翻訳障壁を整理。全文未取得のため個別性能値は反映しない。
  • 2026年AI-CDSS umbrella review: （Cureus, full-text）— HNCのAI systematic review 47本を統合。診断・治療計画・予後予測の広域地図として反映。ただし組入れSRの質評価・スコープが不均一なため、個別性能の根拠としては既存SR/原著を優先。
  • 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

  • AI-CDSSのumbrella review（47 SR）: 診断領域ではCNNベースCDSSがCT/MRI/PET/USや病理画像の高次元データから微細パターンを拾い、専門家と同等または上回る性能を示すレビューが多い。甲状腺USでは感度90%超・特異度85–90%、HNSCCリンパ節分類では診断精度85%超〜最大99%の報告が整理された。ただし二次レビュー経由の値で、一次研究の外部検証・校正・DCAは個別確認が必要（confidence:medium）。
  • 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。
  • AI-CDSS umbrella reviewでは、治療計画への応用として腫瘍/OAR自動輪郭描出、線量予測、放射線毒性（口腔乾燥・嚥下障害など）予測、HSI/OCTによる術中組織/マージン支援が整理された。これらは時間短縮・施設間ばらつき低減・術中意思決定支援の可能性があるが、リアルワールドのMDT/手術/放射線治療ワークフローでの前向き評価は不足（confidence:medium）。
  • 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）。
  • umbrella reviewでは、CNNベース予後CDSSはradiomics、臨床データ、分子/ゲノムデータを統合することで、再発・転移・生存予測において従来病期分類を上回る傾向とされた。実装上は、高リスク例のフォロー強化や補助療法層別化への応用が想定されるが、後ろ向き・小規模・外部検証不足のため決定的判断には使わない（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。

最新トピック / 未解決の論点

  • 耳鼻咽喉科全体への拡張: radiomicsは頭頸部癌だけでなく、CRS・中耳疾患などの炎症性疾患、睡眠、小児領域のリスク層別化/経過予測へ広がっている。ただし、領域が広がるほど撮像プロトコル差・疾患定義・セグメンテーション負荷・外部検証不足が目立つため、HNCでの予後モデル性能をそのまま非腫瘍領域へ外挿しない。
  • 臨床翻訳の障壁（中核論点）: ①外部検証の不足（多くの予後モデルは内部検証のみ）、②プロトコル事前登録・臨床的有用性評価(DCA/費用便益)がほぼ皆無（近年はDCAを行う原著が増加）、③撮像/再構成パラメータ・特徴選択の記載不足による再現性低下、④HCに比したDLの標準化(IBSI相当)の遅れ、⑤解釈性(attention map/SHAP/Grad-CAM)の欠如（Grad-CAMで浸潤境界を可視化する試みあり）、⑥小規模データでの過学習・汎化不全・前向き検証の不足、⑦データ不均衡・マルチモーダル融合の方法論。
  • AI-CDSS実装の追加論点: umbrella reviewは、標準化されたAI報告指標、XAI/説明可能性、MDT・腫瘍ボード・放射線治療計画会議での人間-機械相互作用評価、データプライバシー/責任分界、臨床家トレーニングを実装条件として挙げる。アルゴリズム性能だけでなく、実際の意思決定過程と安全性を測る研究設計が必要。
  • マルチセンターのバッチ効果とハーモナイゼーション: 機器・取得プロトコル・前処理の施設間差がバイアス源。ComBat/NeuroCombat等は線形・経験ベイズ枠組みで非線形のバッチ効果は除去できない点が実装上の限界。
  • 過学習・楽観性バイアス: 単施設・小標本の原著では訓練AUCと検証/外部AUCの乖離（例: 喉頭癌LNM 訓練0.934→検証0.864）や、深層特徴モデルでのC-index 0.92超など、データリーク/過学習を疑う高性能が散見され、真の外部（別施設前向き）検証が必須。
  • DLが常にHC/従来MLを上回るとは限らず、従来型アルゴリズム(KNN/SVM/ロジスティック回帰)が同等の場面がある点は実装選択の論点。
  • 原著では訓練→テスト/外部でAUCが低下する例が見られ（例: 良悪性鑑別 0.90→0.82）、楽観性バイアス・真の外部(別施設前向き)検証の必要が残る。
  • radiomicsとpathognomics(病理画像)の多次元データ統合のための新規方法論が今後の鍵。

新着アブストラクト知見（2026-06-07）

  • — 腫瘍画像AIのナラティブレビュー。CT/MRI/PETでの病変検出、腫瘍セグメンテーション、予後評価、radiomics/genomics/臨床データ融合、AI支援放射線治療計画を整理し、データ異質性、一般化、規制、倫理、標準化データセット、XAI不足を実装課題として挙げる。
  • — 下垂体腺腫MRI radiomicsのPRISMA準拠SR。49研究・9350例超を整理し、22研究（45%）がtest AUC 0.85以上を報告したが、外部検証は6研究（12%）のみ。後ろ向き研究偏重と標準化不足を、頭蓋底周辺AI画像研究の臨床実装課題として扱う。

新着アブストラクト知見（2026-06-07）

  • — advancements、image-based artificial intelligence、診断、治療を中心に、改善・低減効果、関連・予測因子、診断性能を示す総説。
  • — radiomics、喉頭 扁平上皮癌、state、artを中心に、主題の整理を示す総説。

新着アブストラクト知見（2026-06-13）

  • — application、artificial intelligence、頭頸部、頸部 腫瘍 segmentationを中心に、改善・低減効果、関連・予測因子、診断性能を示すシステマティックレビュー/メタ解析（定量情報: CI 0.03、95%、75%、60.79%）。
  • — application、radiomics、喉頭 癌 管理、scoping レビューを中心に、改善・低減効果、関連・予測因子、診断性能を示す総説（定量情報: 3503 例）。
  • — role、radiomics、parotid malignant 疾患、scoping レビューを中心に、診断性能、不確実性・追加研究の必要性を示す総説（定量情報: -7%、560 例）。
  • — radiomic-based machine learning classifiers、hpv status prediction、oropharyngeal 癌、システマティックレビューを中心に、増加/高値との関連、関連・予測因子、診断性能を示す総説（定量情報: 8627 例）。

関連トピック

更新履歴

  • 2026-06-13: 新着アブストラクト知見を4本再整理。 application、radiomics、喉頭 癌 管理、scoping レビューを中心に、改善・低減効果、関連・予測因子、診断性能を示す総説（定量情報: 3503 例）、 application、artificial intelligence、頭頸部、頸部 腫瘍 segmentationを中心に、改善・低減効果、関連・予測因子、診断性能を示すシステマティックレビュー/メタ解析（定量情報: CI 0.03、95%、75%、60.79%）、 role、radiomics、parotid malignant 疾患、scoping レビューを中心に、診断性能、不確実性・追加研究の必要性を示す総説（定量情報: -7%、560 例）、 radiomic-based machine learning classifiers、hpv status prediction、oropharyngeal 癌、システマティックレビューを中心に、増加/高値との関連、関連・予測因子、診断性能を示す総説（定量情報: 8627 例）。 paper_count 19→23。
  • 2026-06-07: 新着アブストラクト知見を2本再整理。 advancements、image-based artificial intelligence、診断、治療を中心に、改善・低減効果、関連・予測因子、診断性能を示す総説、 radiomics、喉頭 扁平上皮癌、state、artを中心に、主題の整理を示す総説。 paper_count 17→19。
  • 2026-06-08: PMID:41010799 のアブストラクト暫定反映を補強。下垂体腺腫MRI radiomics SRとして49研究・9350例超、test AUC 0.85以上45%、外部検証12%を整理し、性能値よりも外部検証不足・標準化不足を強調。
  • 2026-06-07: 新着アブストラクト知見を2本反映。 腫瘍画像AI総説として検出/セグメンテーション/予後評価/マルチモーダル融合/放射線治療計画と実装課題を追加、 下垂体腺腫MRI radiomics SRの外部検証不足と標準化課題を追加。paper_count 15→17。
  • 2026-06-05(最近論文キャッチアップ・AI-CDSS umbrella): CureusのAI-CDSS umbrella reviewを全文精読で反映。47 SR、5データベース検索、PRISMA、AMSTAR-2言及、メタ解析なしのテーマ統合。診断（CNN画像/病理、甲状腺US感度90%超・HNSCCリンパ節分類精度85%超）、治療（輪郭描出・毒性予測・HSI/OCT術中支援）、予後（radiomics＋臨床＋分子統合）を追加。ただしCureus、スコープ混在、組入れSR質評価の不均一性から個別性能の根拠としては限定。paper_count 14→15。
  • 2026-06-05(最近論文キャッチアップ): JAMA Otolaryngologyのradiomics横断レビューをabstract暫定で反映。HNCの潜在病理所見/予後/治療反応だけでなく、CRS・中耳疾患・睡眠・小児領域への拡張、dosiomics/delta-radiomics、撮像プロトコル差・手作業セグメンテーション・小規模コホート・外部検証不足を最新論点に追加。field-cancerization誤配をai-head-neck-imagingへ再配置。paper_count 13→14。
  • 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

  1. — 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)
  2. — 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)
  3. — 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)
  4. — 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)
  5. — 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)
  6. — 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)
  7. — 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)
  8. — 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)
  9. — 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)
  10. — 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)
  11. — 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)
  12. — 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)
  13. — 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)
  14. — 横断レビュー(暫定): 耳鼻咽喉科radiomicsの方法論と応用を整理。HNCの潜在病理所見/予後/治療反応、CRS・中耳疾患・睡眠・小児への拡張、dosiomics/delta-radiomics、外部検証不足を強調 (Bourdillon 2026, JAMA Otolaryngol Head Neck Surg / narrative-review / Lv.5 / SANRA / RoB:high / confidence:medium / provisional-abstract)
  15. — umbrella review(全文): HNCのAI-CDSS 47 SRを統合。CNN画像/病理診断、腫瘍/OAR輪郭描出・毒性予測・HSI/OCT術中支援、radiomics＋臨床＋分子予後モデルを整理。後ろ向き・小規模・外部検証不足・black box性で臨床実装は補助段階 (Joy 2026, Cureus / sr-ma / Lv.2 / AMSTAR-2 / RoB:high / confidence:medium / full-text)
  16. — 新着知見: 腫瘍画像AI総説。DL/radiomicsによる検出・セグメンテーション・予後評価、マルチモーダル融合、放射線治療計画とXAI/標準化課題を整理 (Huang J 2025, Discov Oncol / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
  17. — 新着知見: 下垂体腺腫MRI radiomics SR。49研究・9350例超、test AUC 0.85以上45%だが外部検証12%で、後ろ向き研究偏重と標準化不足が臨床実装の制約 (Agosti E 2025, J Clin Med / sr-ma / Lv.1 / RoB:high / confidence:low / provisional-abstract)
  18. — 新着知見: advancements、image-based artificial intelligence、診断、治療を中心に、改善・低減効果、関連・予測因子、診断性能を示す総説 (Wu B 2026, Int J Gen Med / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
  19. — 新着知見: radiomics、喉頭 扁平上皮癌、state、artを中心に、主題の整理を示す総説 (Lucchese S 2026, Acta Otorhinolaryngol Ital / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
  20. — 新着知見: application、artificial intelligence、頭頸部、頸部 腫瘍 segmentationを中心に、改善・低減効果、関連・予測因子、診断性能を示すシステマティックレビュー/メタ解析（定量情報: CI 0.03、95%、75%、60.79%） (Hajimokhtari H 2025, BMC Cancer / sr-ma / Lv.1 / RoB:high / confidence:medium / provisional-abstract)
  21. — 新着知見: application、radiomics、喉頭 癌 管理、scoping レビューを中心に、改善・低減効果、関連・予測因子、診断性能を示す総説（定量情報: 3503 例） (Papadopoulou AM 2025, Laryngoscope / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
  22. — 新着知見: role、radiomics、parotid malignant 疾患、scoping レビューを中心に、診断性能、不確実性・追加研究の必要性を示す総説（定量情報: -7%、560 例） (Migliorelli A 2025, Cancers (Basel) / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
  23. — 新着知見: radiomic-based machine learning classifiers、hpv status prediction、oropharyngeal 癌、システマティックレビューを中心に、増加/高値との関連、関連・予測因子、診断性能を示す総説（定量情報: 8627 例） (Araújo ALD 2025, Diagnostics (Basel) / narrative-review / Lv.5 / RoB:high / confidence:low / provisional-abstract)
このトピックに反映した論文カードを一覧で見るこのトピックの知識更新の履歴を見る