AIモデルが膵臓がんを475日前から検出　REDMODで早期発見へ

最新のAI技術が、膵臓がんの「見えない」兆候をCT画像から検知し、臨床診断の平均475日前から発見できることが明らかになりました。

この研究は、Mayo Clinicの研究チームが開発したREDMOD（Radiomics-based Early Detection MODel）によるものです。

AIモデルによる膵臓がんの早期検出は、診断の常識を変える可能性があります。
そのため、膵臓がんの早期発見という観点で大きな注目を集めています。
さらに、日常診療で撮影するCT画像を活用できる点も重要です。

論文公開で一気に注目が拡大

論文はGut誌に、2026年4月27日（米国時間）にオンライン公開されました。
この公開を受けて、研究内容は即座に注目を集めました。

従来の画像診断では、膵臓がんのごく初期段階は見逃しやすいです。
しかし、今回のAIモデルは、そうした難しい段階にも踏み込みました。
つまり、目で見えにくい兆候を数値的に拾う仕組みです。

ステージ0の膵臓がんを画像特徴から捉える仕組み

REDMODは、従来の画像読影では把握しにくいステージ0の膵臓がんを検出対象にしました。
対象の中心は、主にductal adenocarcinomaです。

ここでいうradiomicsとは、画像の中にある微細な模様や質感の違いを数値化して読み取る手法です。
言い換えると、肉眼では分かりにくい組織の変化を、計算で抽出する技術です。

REDMODは、この組織の微細なテクスチャ変化を自動で抽出します。
一方で、従来の診断は人の目による判読が中心でした。
そのため、膵臓がんのごく早い段階では限界がありました。

時間との闘いで重要性が増す膵臓がん診断

膵臓がんは、早く見つけることが特に重要ながんです。
実際に、米国では膵臓がんの全体5年生存率は13%です。
また、局所段階では44%です。

この数字は、膵臓がんが主要ながんの中でも極めて厳しい病気であることを示します。
しかし、一方で早い段階なら治療の可能性は広がります。
そのため、診断までの時間を縮める技術に大きな意味があります。

米国推定患者数と死亡数が示す現実

American Cancer Societyの2026年推定では、米国で約67,530人が診断される見込みです。
さらに、52,740人が死亡すると見込まれます。

この現実を踏まえると、膵臓がんの早期発見は単なる研究テーマではありません。
つまり、生存率を左右する重要課題です。
こうした中、REDMODは「早期窓」を提供すると期待されています。

219人の患者CT画像を分析した研究設計

研究では、219人の患者の腹部CT画像を分析しました。
この画像群を使い、AIモデルが膵臓がんの不可視シグネチャを探しました。

ここでいう不可視シグネチャとは、通常の読影では明確に病変と判断しにくい変化です。
しかし、AIはそこに一定の共通パターンを見いだしました。
さらに、この解析は発症直前だけではありませんでした。

診断前の複数時点で「見えない兆候」を確認

研究チームは、診断前の複数の期間に分けてCT画像を検証しました。
診断3〜12ヶ月前が40%でした。
12〜24ヶ月前が35%でした。
24ヶ月以上前が25%でした。

つまり、膵臓がんの兆候は診断直前だけに現れるわけではありません。
実際に、2年以上前の画像にも検出可能なパターンが含まれていました。
これが今回の研究の大きな特徴です。

対照群との比較で平均475日のリードタイム

研究では、年齢・性別・スキャン日でマッチさせた対照群1,243人と比較しました。
この比較によって、モデルの性能を厳密に見極めました。

その結果、REDMODは平均475日のリードタイムを達成しました。
リードタイムとは、通常の臨床診断よりどれだけ早く兆候を捉えたかを示す期間です。
そのため、この数値は早期発見の可能性を具体的に示しています。

放射線科医を上回った感度

REDMODの感度は73%でした。
一方で、経験豊富な放射線科医は39%でした。

感度とは、実際に病気がある人を正しく見つける割合です。
つまり、この比較ではREDMODがより多くの膵臓がん兆候を捉えたことになります。
さらに、その差は小さくありませんでした。

診断2年以上前のケースでも大きな差

特に注目されたのは、診断2年以上前のケースです。
この段階でREDMODは68%でした。
一方で、放射線科医は23%でした。

この差は、従来の読影だけでは拾いきれない情報をAIが捉えたことを示します。
しかし、これは医師が不要になるという意味ではありません。
そのため、実際の臨床では補助ツールとしての活用が現実的です。

独立検証群と公開データでも性能を確認

研究チームは、開発データだけで性能を主張していません。
独立検証群539人でも結果を確認しました。

その結果、81%以上の陰性正確性を示しました。
さらに、NIH公開データセット80人でも、87.5%の陰性正確性を示しました。

陰性正確性が示す臨床上の意味

陰性正確性とは、AIが「がんではない」と判断したケースの正しさを示す指標です。
言い換えると、不要な不安や追加検査を減らせるかを考えるうえで重要な数字です。

この数値が高いほど、除外判断の信頼性が高まります。
また、検査現場での使いやすさにもつながります。
そのため、実装可能性を考えるうえで重要な結果です。

手動輪郭抽出を省く自動セグメンテーション

REDMODは、自動膵臓セグメンテーションを採用しました。
セグメンテーションとは、画像の中から膵臓の領域を正確に切り分ける処理です。

従来は、手動で輪郭を引く作業が必要になることがありました。
しかし、この作業は時間がかかり、担当者による差も出やすいです。
そのため、自動化の意義は大きいです。

煩雑さと誤差を減らす設計

自動膵臓セグメンテーションにより、手動輪郭抽出の煩雑さと誤差を排除しました。
これは研究精度だけでなく、実際の現場運用にも関わる重要な点です。

一方で、AIモデルは高性能でも、前処理が複雑だと広く普及しにくいです。
しかし、今回の仕組みはその障壁を下げます。
つまり、実装に向けた現実性を高めています。

再スキャンでも高い安定性を維持

REDMODは、再スキャン時の安定性も90〜92%でした。
これは、同じ患者を別のタイミングで撮影した場合でも、結果が大きくぶれにくいことを示します。

AI医療機器では、再現性が極めて重要です。
実際に、1回だけ良い成績が出ても、繰り返し同じ精度を保てなければ臨床導入は難しいです。
さらに、この安定性は信頼性の基盤になります。

臨床実装には前向き検証が必要

研究チームは、今後の課題も明確に示しています。
それが、高リスク群での前向き検証です。

前向き検証とは、過去画像を後から調べるのではなく、これから集める患者データで有効性を確かめる方法です。
つまり、実際の診療現場に近い条件で確かめる段階です。
そのため、次の研究工程として重要です。

高リスク群で期待される活用場面

前向き検証の対象として、原因不明の体重減少や新発糖尿病患者が挙げられています。
これらは膵臓がんのリスクと関連が指摘されることがあるためです。

こうした中、AIを高リスク群のルーチンCTに組み込めば、見逃しを減らせる可能性があります。
また、日常診療の延長線で使える点も大きな利点です。
さらに、追加の侵襲的検査に進む前の判断材料にもなり得ます。

研究者が示した変革の方向性

研究者は、「ステージ0のプロアクティブ発見で、遅発性診断のパラダイムを変革」すると強調しました。

ここでいうプロアクティブ発見とは、症状がはっきり出てから追うのではなく、先回りして兆候を捉える考え方です。
一方で、遅発性診断は、病状が進んでから見つかる状態を指します。
つまり、診断のタイミングそのものを前倒しする発想です。

多様性の限界を認めつつ汎用性を示した点

研究では、民族的多様性の限界も認めています。
これは、対象集団の偏りが将来の一般化に影響する可能性があるという意味です。

しかし、研究チームは多施設汎用性を示しました。
多施設汎用性とは、複数の施設や異なるデータ環境でも使える可能性を指します。
そのため、単一施設だけの特殊な成果ではない点が評価されています。

ルーチンCTから「見えない敵」を炙り出す可能性

この技術は、日常のルーチンCTから「見えない敵」を炙り出す可能性があります。
つまり、既に行われている検査の価値を大きく引き上げる発想です。

新しい大型機器を追加するのではなく、既存画像の読み方を変える点に意味があります。
また、検診や診療の流れを大きく変えずに応用できる余地もあります。
そのため、医療現場への波及効果が期待されます。

日本でのAI導入にも期待

今回の成果は米国の研究ですが、日本でも同様のAI導入が期待されます。
膵臓がんの早期発見は、日本でも重要な医療課題です。

一方で、実装には国内データでの検証や制度面の整理が必要です。
しかし、膵臓がんの早期発見を支える新しい選択肢として、REDMODの意義は大きいです。
さらに、今後の研究が進めば、診断の前倒しという流れが現実味を帯びてきます。

ソース

EurekAlert（Mayo Clinicニュースリリース）
Gut
AuntMinnie
Bioengineer.org