[{"data":1,"prerenderedAt":66},["ShallowReactive",2],{"topic-ai-head-neck-imaging":3},{"id":4,"title":5,"category":6,"top":7,"sub":8,"tags":9,"related":13,"anchor":15,"coverage":16,"paper_count":17,"last_updated":18,"last_fetched":18,"html":19,"toc":20,"referencedPmids":52},"ai-head-neck-imaging","頭頸部画像のAI解析","基礎\u002FバイオエンジニアリングAI","基礎","バイオエンジニアリングAI",[10,11,12],"imaging","cancer","translational",[14],"ai-endoscopy-diagnosis","PMID:42064005 (2025, SR・外部検証限定／全文精読)","アンカー=2025 SR(HC vs DL予後モデル, 全文) \u002F 補助SR=2024 PRISMA(応用領域マップ, 暫定) \u002F 差分2023–2026の総説3・原著6反映 \u002F 飽和目標: 診断・予後・治療反応・セグメンテーションのSR\u002FGL網羅と前向き\u002F外部検証",13,"2026-06-04","\u003Ch1>頭頸部画像のAI解析（AI Analysis of Head and Neck Imaging）\u003C\u002Fh1>\n\u003Cblockquote>\n\u003Cp>⚠️ 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。\n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\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Ch2 id=\"sec-1\">サマリ（現時点の到達点）\u003C\u002Fh2>\n\u003Cp>頭頸部画像のAI解析（深層学習DL・radiomics）は、頭頸部癌(HNC\u002FHNSCC)の\u003Cstrong>腫瘍検出・セグメンテーション・良悪性鑑別・病期\u002F予後予測・治療反応予測・線量分布予測\u003C\u002Fstrong>の広範なタスクで研究されている\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton>。手法は、事前定義した数学的特徴を抽出する\u003Cstrong>手作りradiomics(HC)\u003C\u002Fstrong>と、畳み込み層で自動的に特徴を学習する\u003Cstrong>深層学習(DL)特徴\u003C\u002Fstrong>（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\u003Cstrong>マルチモーダル\u003C\u002Fstrong>が主流化している\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>。\u003C\u002Fp>\n\u003Cp>応用領域は、PRISMA準拠SRが整理するように\u003Cstrong>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）\u003C\u002Fstrong>に大別され、加えて\u003Cstrong>分子状態推定(radiogenomics)\u003C\u002Fstrong>まで拡張している\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton>（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、\u003Cstrong>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\u003C\u002Fstrong>であり、報告C-index\u002FAUCは0.40〜0.92と大きく分散する\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>（confidence:medium）。\u003Cstrong>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\u003C\u002Fstrong>ことが繰り返し示される一方、\u003Cstrong>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\u003C\u002Fstrong>で、撮像\u002F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\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>（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\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>、MRIのDLRが舌癌T病期判別でAUC 0.81〜0.86\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>、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\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>、生存予測(C-index ~0.79)\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton>・良悪性鑑別(AUC 0.82〜0.90)\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton>・化学免疫療法反応予測(AUC 0.74〜0.78)\u003Cbutton class=\"pmid-ref\" data-pmid=\"41147765\">PMID:41147765\u003C\u002Fbutton>・EGFR変異推定(外部AUC 0.875)\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton>で有望な性能が報告されるが、\u003Cstrong>いずれも後ろ向きで前向き検証は乏しく\u003C\u002Fstrong>、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、\u003Cstrong>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\u002Fアンサンブルが、単一手法を上回る\u003C\u002Fstrong>ことである\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>（confidence:medium）。\u003C\u002Fp>\n\u003Ch2 id=\"sec-2\">カバレッジ（この知識の確からしさ範囲）\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>背骨(anchor): \u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton> — SR・2025（BJR Artif Intell, \u003Cstrong>全文精読\u003C\u002Fstrong>）。PRISMA準拠、外部検証(TRIPOD type 3\u002F4)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\u002FDL6\u002F両方1件。NPC・手術単独管理癌・短期反応のみの研究は除外。\u003C\u002Fli>\n\u003Cli>補助SR: \u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>（SR・暫定, PRISMA\u002FTRIPOD\u002FPROBAST, 45件）— AIベースradiomicsの応用領域マップ（診断\u002F予後）と臨床翻訳の5障壁（データ不均衡\u002F特徴量エンジニアリング\u002F汎化性\u002Fマルチモーダル融合\u002F解釈性）を提供。応用範囲が予後モデル限定の anchor を補完。\u003C\u002Fli>\n\u003Cli>補助統合: \u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>（総説・全文, MRI\u002FCT\u002FPETのDL応用とアーキテクチャ）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>（総説・全文, NPC予後のradiomics＋DLとワークフロー原理）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton>（総説・暫定, radiomics＋pathognomics）・旧背骨\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>（SR・暫定, 放射線治療AI\u002FMLの臨床試験）。\u003C\u002Fli>\n\u003Cli>原著差分(2023–2026): \u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>（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）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>（MRIのDLRで舌癌T病期判別, 外部AUC 0.86, 全文）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>（CTのDLRノモグラムで喉頭癌LNM予測, AUC 0.86〜0.93, 全文）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton>（CTのDLRNでHNSCCのEGFR変異推定, 外部AUC 0.875, 暫定）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton>（連続MRI×GCNで生存予測, C-index 0.79）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton>（DLRで傍咽頭間隙腫瘍の良悪性鑑別, AUC 0.82〜0.90）・\u003Cbutton class=\"pmid-ref\" data-pmid=\"41147765\">PMID:41147765\u003C\u002Fbutton>（DL強化MRI radiomicsで化学免疫療法のpCR予測, AUC 0.74〜0.78）。\u003C\u002Fli>\n\u003Cli>反映範囲: アンカーSR・総説2本・原著3本（40804402\u002F40847271\u002F40874230）は\u003Cstrong>全文精読\u003C\u002Fstrong>。補助SR1本・総説1本・原著3本（37481418\u002F39812582\u002F39932109\u002F41147765）・旧SRは\u003Cstrong>abstract-only暫定（provisional-abstract）\u003C\u002Fstrong>で、各n・キャリブレーション・サブ群・95%CIは未確認。\u003C\u002Fli>\n\u003Cli>飽和目標: 診断的読影・自動セグメンテーション・予後\u002F治療反応予測の\u003Cstrong>前向き\u002F外部検証エビデンス\u003C\u002Fstrong>、HPV\u002Fp16画像推定、リンパ節転移予測のSR\u002FGLを次回優先で取得し、暫定原著（37481418等）を全文昇格する。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-3\">病態・基礎\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>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\u003Cstrong>手作りradiomics(HC)\u003C\u002Fstrong>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\u003Cstrong>深層学習(DL)特徴\u003C\u002Fstrong>\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>radiomicsで最も多用される特徴は応用領域を問わず\u003Cstrong>画像テクスチャ関連\u003C\u002Fstrong>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>。ハンドクラフト特徴は first-order（ボクセル強度分布）・second-order\u002Ftexture（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\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>radiomics解析の標準ワークフローは\u003Cstrong>①データ取得・キュレーション（モダリティ選択・ROI\u002FVOI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）\u003C\u002Fstrong>の4段階\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>。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\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>画像(radiomics)に加え、\u003Cstrong>病理組織由来特徴(pathognomics)\u003C\u002Fstrong>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\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>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\u002F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\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-4\">診断\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>検出・セグメンテーション\u003C\u002Fstrong>: 原発腫瘍・リンパ節・OAR(脊髄\u002F耳下腺)のセグメンテーションにCNN\u002FU-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\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>。金属\u002F歯科充填アーチファクト・PETの低分解能\u002F高ノイズが性能を制約\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>良悪性鑑別\u003C\u002Fstrong>: 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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>病期分類\u003C\u002Fstrong>: MRI(T2WI＋造影T1)のDLR(ResNet18\u002F50)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\u002FIDI>0, Grad-CAMで舌底浸潤を局在化, confidence:medium）\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>。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。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>リンパ節転移(LNM)予測\u003C\u002Fstrong>: 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\u002F検証0.864と臨床単独(0.832\u002F0.817)・従来radiomics(0.861\u002F0.818)・DLR単独(0.913\u002F0.864)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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>。非侵襲的LN病期診断で過剰郭清の回避に資する可能性。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>分子状態推定(radiogenomics)\u003C\u002Fstrong>: 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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton>。画像AIの応用が分子マーカー推定へ拡張しつつある。\u003C\u002Fli>\n\u003Cli>診断画像(CT\u002FMRI\u002FPET)の\u003Cstrong>前向き・多施設での自動読影\u003C\u002Fstrong>の網羅的検証は依然不足\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>。応用領域はSRで①病期\u002Fグレーディング\u002F良悪性鑑別の診断、②治療反応\u002F再発\u002F転移\u002F生存の予後に大別される\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-5\">治療\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>放射線治療計画での\u003Cstrong>線量分布予測・ビーム配置最適化\u003C\u002Fstrong>、OARセグメンテーションにDLが応用される\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>治療反応予測\u003C\u002Fstrong>: 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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"41147765\">PMID:41147765\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>画像＋臨床データを統合したマルチモーダルDL\u003C\u002Fstrong>が個別化治療に向け最も有望な方向と複数で示唆\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-6\">予後・経過\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>外部検証を満たすHNSCC予後モデルのSRでは、\u003Cstrong>DLがHCよりやや高性能だが方法論の質はHCが上\u003C\u002Fstrong>、報告C-index\u002FAUC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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>（confidence:medium）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>臨床因子＋画像特徴の統合モデルが臨床単独を上回る\u003C\u002Fstrong>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\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>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\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton>（confidence:medium）。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>マルチモーダル×アンサンブル\u003C\u002Fstrong>: PET＋CTのIBSI準拠radiomics特徴＋3D DenseNet-121深層特徴を5基底モデル(Cox\u002FSVM\u002FRSF\u002FDeepCox\u002FDeepSurv)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\u002F低リスクを弁別した\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>（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\u002F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。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-7\">最新トピック \u002F 未解決の論点\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>臨床翻訳の障壁\u003C\u002Fstrong>（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）\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>、②プロトコル事前登録・臨床的有用性評価(DCA\u002F費用便益)がほぼ皆無\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>（近年はDCAを行う原著が増加\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>）、③撮像\u002F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\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>、④HCに比したDLの標準化(IBSI相当)の遅れ\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>、⑤解釈性(attention map\u002FSHAP\u002FGrad-CAM)の欠如（Grad-CAMで浸潤境界を可視化する試みあり\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>）\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>、⑥小規模データでの過学習・汎化不全・前向き検証の不足\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>、⑦データ不均衡・マルチモーダル融合の方法論\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>マルチセンターのバッチ効果とハーモナイゼーション\u003C\u002Fstrong>: 機器・取得プロトコル・前処理の施設間差がバイアス源。ComBat\u002FNeuroCombat等は線形・経験ベイズ枠組みで\u003Cstrong>非線形のバッチ効果は除去できない\u003C\u002Fstrong>点が実装上の限界\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>\u003Cstrong>過学習・楽観性バイアス\u003C\u002Fstrong>: 単施設・小標本の原著では訓練AUCと検証\u002F外部AUCの乖離（例: 喉頭癌LNM 訓練0.934→検証0.864\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>）や、深層特徴モデルでのC-index 0.92超\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>など、データリーク\u002F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。\u003C\u002Fli>\n\u003Cli>DLが常にHC\u002F従来MLを上回るとは限らず、\u003Cstrong>従来型アルゴリズム(KNN\u002FSVM\u002Fロジスティック回帰)が同等の場面がある\u003C\u002Fstrong>点は実装選択の論点\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003Cli>原著では訓練→テスト\u002F外部でAUCが低下する例が見られ（例: 良悪性鑑別 0.90→0.82\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton>）、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。\u003C\u002Fli>\n\u003Cli>radiomicsとpathognomics(病理画像)の\u003Cstrong>多次元データ統合のための新規方法論\u003C\u002Fstrong>が今後の鍵\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-8\">関連トピック\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Ca href=\"\u002Ftopic\u002Fai-endoscopy-diagnosis\">内視鏡・画像のAI診断\u003C\u002Fa> — 内視鏡・画像のAI診断。臨床応用側との対比・相互参照\u003C\u002Fli>\n\u003Cli>\u003Ca href=\"\u002Ftopic\u002Fhead-neck-ultrasound\">頸部超音波・FNA\u003C\u002Fa> — 頸部超音波・FNA。画像モダリティとしてのAI応用先\u003C\u002Fli>\n\u003Cli>\u003Ca href=\"\u002Ftopic\u002Fhnscc-overview\">頭頸部扁平上皮癌総論\u003C\u002Fa> — 頭頸部扁平上皮癌総論。AI解析の主たる対象疾患\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Chr>\n\u003Ch2 id=\"sec-9\">更新履歴\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>2026-06-04: 差分6本を反映（PRISMA SR1・総説1・原著4）。補助SR\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton>で応用領域マップ(診断\u002F予後)・臨床翻訳の5障壁を補強、NPC総説\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton>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)\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton>・MRI DLR舌癌T病期(外部AUC 0.86)\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton>・CT DLRノモグラム喉頭癌LNM予測(AUC 0.86〜0.93)\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton>・CT DLRN EGFR変異推定(外部AUC 0.875)\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton>を反映。「診断」に病期分類\u002FLNM予測\u002Fradiogenomics、「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\u002F楽観性バイアスを論点に追記。paper_count 7→13。\u003C\u002Fli>\n\u003Cli>2026-06-03: 中核背骨を \u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton>（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\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton>\u002F\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton>・原著3\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton>\u002F\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton>\u002F\u003Cbutton class=\"pmid-ref\" data-pmid=\"41147765\">PMID:41147765\u003C\u002Fbutton>を反映し、応用領域(検出\u002Fセグメンテーション\u002F良悪性鑑別\u002F予後\u002F治療反応)・手法(CNN\u002FU-Net\u002FGAN\u002FViT\u002FGCN・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\u002F事前登録\u002F再現性\u002F解釈性)を充実。paper_count 1→7。旧背骨\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>は補助統合に降格。\u003C\u002Fli>\n\u003Cli>2026-06-01: 初版作成（abstract-only 暫定）。HNC放射線治療AI\u002FMLの臨床試験SRを狭い暫定背骨として反映 \u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton>。\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"sec-10\">参照論文\u003C\u002Fh2>\n\u003Col>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"42064005\">PMID:42064005\u003C\u002Fbutton> — \u003Cstrong>アンカー(SR・全文)\u003C\u002Fstrong>: 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\u002FAUC 0.40〜0.92、統合モデルが臨床単独に優る、事前登録\u002F臨床的有用性評価は皆無 (Gouthamchand 2025, BJR Artif Intell \u002F sr-ma \u002F Lv.2 \u002F RoB:some-concerns \u002F confidence:medium \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"37444376\">PMID:37444376\u003C\u002Fbutton> — 統合(総説・全文): MRI\u002FCT\u002FPETのDL応用(検出\u002Fセグメンテーション\u002F治療反応)・先端アーキテクチャ(GAN\u002FViT)・従来手法との使い分け・前向き検証不足 (Illimoottil 2023, Cancers \u002F narrative-review \u002F Lv.5 \u002F confidence:low \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"38910065\">PMID:38910065\u003C\u002Fbutton> — 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 \u002F narrative-review \u002F Lv.5 \u002F confidence:low \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"39812582\">PMID:39812582\u003C\u002Fbutton> — 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 \u002F prediction-model \u002F Lv.4 \u002F RoB:some-concerns \u002F confidence:medium \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"39932109\">PMID:39932109\u003C\u002Fbutton> — 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 \u002F diagnostic-accuracy \u002F Lv.4 \u002F RoB:some-concerns \u002F confidence:medium \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"41147765\">PMID:41147765\u003C\u002Fbutton> — 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 \u002F prediction-model \u002F Lv.4 \u002F RoB:high \u002F confidence:low \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40587931\">PMID:40587931\u003C\u002Fbutton> — 補助統合(SR・暫定): HNCのAI\u002FML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 \u002F sr-ma \u002F Lv.2 \u002F RoB:some-concerns \u002F confidence:medium \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"38728812\">PMID:38728812\u003C\u002Fbutton> — 補助SR(暫定): AIベースradiomicsの応用領域(診断＝病期\u002Fグレーディング\u002F良悪性鑑別、予後＝治療反応\u002F再発\u002F転移\u002F生存)を整理、臨床翻訳の5障壁(データ不均衡\u002F特徴量エンジニアリング\u002F汎化性\u002Fマルチモーダル融合\u002F解釈性)を提示 (Alabi 2024, Int J Med Inform \u002F sr-ma \u002F Lv.2 \u002F PROBAST \u002F RoB:some-concerns \u002F confidence:medium \u002F provisional-abstract)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40731938\">PMID:40731938\u003C\u002Fbutton> — 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\u002F前処理依存の課題 (Pușcaș 2025, Medicina \u002F narrative-review \u002F Lv.5 \u002F confidence:low \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40804402\">PMID:40804402\u003C\u002Fbutton> — 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\u002F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 \u002F prediction-model \u002F Lv.2 \u002F TRIPOD \u002F RoB:some-concerns \u002F confidence:medium \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40847271\">PMID:40847271\u003C\u002Fbutton> — 原著(診断精度・全文): MRIのDLR(ResNet18\u002F50)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 \u002F diagnostic-accuracy \u002F Lv.3 \u002F STARD \u002F RoB:some-concerns \u002F confidence:medium \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"40874230\">PMID:40874230\u003C\u002Fbutton> — 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\u002F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 \u002F diagnostic-accuracy \u002F Lv.3 \u002F STARD \u002F RoB:high \u002F confidence:medium \u002F full-text)\u003C\u002Fli>\n\u003Cli>\u003Cbutton class=\"pmid-ref\" data-pmid=\"37481418\">PMID:37481418\u003C\u002Fbutton> — 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 \u002F diagnostic-accuracy \u002F Lv.3 \u002F STARD \u002F RoB:some-concerns \u002F confidence:medium \u002F provisional-abstract)\u003C\u002Fli>\n\u003C\u002Fol>\n",[21,25,28,31,34,37,40,43,46,49],{"id":22,"text":23,"level":24},"sec-1","サマリ（現時点の到達点）",2,{"id":26,"text":27,"level":24},"sec-2","カバレッジ（この知識の確からしさ範囲）",{"id":29,"text":30,"level":24},"sec-3","病態・基礎",{"id":32,"text":33,"level":24},"sec-4","診断",{"id":35,"text":36,"level":24},"sec-5","治療",{"id":38,"text":39,"level":24},"sec-6","予後・経過",{"id":41,"text":42,"level":24},"sec-7","最新トピック \u002F 未解決の論点",{"id":44,"text":45,"level":24},"sec-8","関連トピック",{"id":47,"text":48,"level":24},"sec-9","更新履歴",{"id":50,"text":51,"level":24},"sec-10","参照論文",[53,54,55,56,57,58,59,60,61,62,63,64,65],"42064005","37444376","38910065","39812582","39932109","41147765","40587931","38728812","40731938","40804402","40847271","40874230","37481418",1780636662271]