がん治療において、体重減少や筋肉量の低下といった「低栄養」の兆候は、治療の経過に影響を与える要因のひとつとして知られています。とくに非小細胞肺がん（NSCLC）の患者では、診断や治療の早い段階で栄養状態のリスクを見極めることが重要だと考えられています。近年は、CT画像から筋肉や脂肪の量を人工知能（AI）で自動的に解析する技術も進んでおり、こうした画像情報を栄養リスクの評価に活用できないか、という研究が進められています。今回紹介するのは、AIによるCT体組成解析と、血液検査などから得られる栄養・炎症指標を組み合わせて、NSCLC患者の栄養リスクを予測するモデルを開発した研究です。

研究でわかったこと

この研究では、病理学的にNSCLCと確認された656人の患者を対象に、単一施設での後ろ向きコホート研究が行われました。432人がモデルを作成するための「開発コホート」、224人がそのモデルの精度を後から検証する「時間的検証コホート」として位置づけられています。研究チームは、初回治療前に撮影された胸部CT画像、臨床・栄養に関する情報、そして免疫や炎症の状態を示す血液マーカーを収集しました。CT画像についてはAIを用いた自動体組成解析により、筋肉量や脂肪組織の分布などの特徴（CT表現型）が抽出されています。

この研究で注目された主なアウトカムは、治療開始から90日以内に栄養関連の望ましくない経過（アドバース・クリニカル・トラジェクトリー）がみられるかどうかでした。その発生割合は、開発コホートで34.3%、検証コホートで32.6%だったと報告されています。解析の結果、体重減少率、予後栄養指数（PNI）、全身性免疫炎症指数（SII）、骨格筋指数、そして筋間脂肪組織の体積が、独立した予測因子として特定されました。

さらに研究チームは、臨床・栄養情報のみを用いたモデル、CT画像情報のみを用いたモデル、そして両方を組み合わせた統合モデルをそれぞれ作成し、比較を行いました。その結果、統合モデルが最も高い予測性能を示し、AUC（予測精度を表す指標）は開発コホートで0.842、検証コホートで0.816だったとされています。また、統合モデルは予測の較正（実際の発生率との一致度）や臨床的な有用性の面でも優れていたと報告されています。加えて、このモデルによるリスクスコアが高い患者ほど、全生存期間や無増悪生存期間が短い傾向にあったことも示されています。

この研究の位置づけ・読むうえでの注意

この研究は、単一の医療機関で行われた後ろ向き（過去のデータを遡って解析する形式）のコホート研究です。時間を分けた検証コホートで一定の再現性が確認されている点は特徴的ですが、あくまで一つの研究であり、この結果だけで結論が確定したわけではありません。今回のモデルが実際の診療現場でどの程度活用できるかについては、今後さらに異なる施設や集団を対象とした検証が必要になると考えられます。また、この研究はNSCLC患者を対象としたものであり、他のがん種や病期の異なる患者にそのまま当てはまるとは限りません。

まとめ

今回の研究では、AIによるCT体組成解析と、体重減少率や血液検査から得られる栄養・炎症指標を組み合わせることで、非小細胞肺がん患者の短期的な栄養リスクを予測する試みが行われました。統合モデルは、画像情報のみ、あるいは臨床情報のみのモデルと比べて高い予測精度を示し、リスクスコアは生存期間との関連も示唆されています。こうした知見は、より早い段階でリスクに応じた栄養管理を検討するための手がかりになる可能性がありますが、実際の臨床応用に向けてはさらなる研究の積み重ねが求められます。

※本記事は下記の原著論文を紹介するものです。参考文献：人工知能によるCT体組成表現型に基づく非小細胞肺がんの多次元的栄養リスクモデリングと層別化（フロンティアーズ・イン・ニュートリション・2026年08月）