全身18F-FDG PET/CTにおけるパンキャンサ病変セグメンテーションAIモデルの開発と検証
カテゴリ：診断支援・画像解析
公開日：2026年2月19日
タイトル：Development and validation of pan-cancer lesion segmentation AI-model for whole-body 18F-FDG PET/CT in diverse clinical cohorts.
雑誌名：Comput Biol Med. 2025 May; 190: 110052.
概 要：
本研究は、病気の部位に依存しない全身3D 18F-FDG-PET/CT画像の自動病変セグメンテーションモデルを深層学習に基づいて開発しました。1014件の病変注釈付きデータセットを用いて、3D U-Netをバックボーンアーキテクチャとした8つの構成を訓練、検証、テスト（70:10:20）しました。最も性能の良いモデルは、骨肉腫や神経芽腫のコホート（n=13）、小児固形腫瘍コホート（n=14）、成人褐色細胞腫/副神経節腫コホート（n=40）の3つの未見コホートでさらに評価されました。
方 法：
本研究は、1014件の全身FDG-PET/CT画像を用いたコホート研究です。データセットは、70%を訓練、10%を検証、20%をテストに分け、3D U-Netを基盤とした8つのモデル構成を評価しました。最良のモデルは、異なるコホートに対して病変レベルおよび患者レベルの統計分析を実施しました。
結 果：
最も性能の良い3Dフル解像度nnUNetモデルは、テストセットで71.70%の病変レベル感度と0.40のDISCを達成し、小児固形腫瘍コホートでは97.83%と0.73、骨肉腫コホートでは40.15%と0.36、成人褐色細胞腫コホートでは78.37%と0.50を達成しました。テストセットおよび褐色細胞腫コホートでは、小さな体積と低い取り込みの病変を見逃す傾向がありましたが、骨肉腫および小児固形腫瘍コホートでは偽陽性および偽陰性の体積や取り込みに有意差は見られませんでした。
結 論：
開発した深層学習に基づく自動病変セグメンテーションAIモデルは、全身FDG-PET/CT画像に対して有望で信頼性の高い性能を示しました。