間質性肺異常（ILA）のマネジメントにおいて、進行リスクの高い症例をどう見極めるかは臨床上の大きな課題です。本研究は、CT画像を用いた深層学習（AI）による通常型間質性肺炎（UIP）パターンの自動分類が、線維化の進行や死亡率の予測に有用であることを示しました。客観的な画像バイオマーカーとして機能しており、日常診療でのハイリスク患者の抽出や、将来的な介入試験における対象者の絞り込み（エンリッチメント）において、AI技術が強力なツールとなる可能性を示唆する重要なエビデンスです。

Deep learning classification of radiologic pattern is associated with progression of interstitial lung abnormalities and with survival.
間質性肺異常における放射線学的パターンの深層学習分類は、線維化の進行および生存と関連している
Baraghoshi D, Thieke D, Hatabu H, Hunninghake GM, Rose J, Putman R, Gudmundsson G, Gudnason V, Solomon JJ, Yoon S, Lynch DA, Humphries SM.
Am J Respir Crit Care Med, 2026, Epub ahead of print

背景：
間質性肺異常（ILA）はよく見られるが、すべてが進行するわけではないため、リスク層別化のための客観的なコンピュータ断層撮影（CT）に基づくバイオマーカーの必要性が浮き彫りになっている。

研究デザイン：
臨床的に間質性肺疾患と診断されていない2つの大規模な観察コホート（COPDGeneおよびAGES-Reykjavík）の参加者のベースラインおよび追跡CTスキャンを、線維化を定量化するデータ駆動型テクスチャ解析（DTA）と、通常型間質性肺炎（UIP）の可能性を推定する深層学習ベースの分類器（MIL-UIP）を用いて分析した。ベースラインのMIL-UIPとDTAの推移および生存との関連を、それぞれ線形混合モデルおよび多変量Coxモデルを用いて評価した。

結果：
ベースラインのMIL-UIP > 0.5は、COPDGeneとAGES-Reykjavíkにおいて、それぞれ13.41%（95% CI: 8.10%, 18.99%; p < 0.001）および14.10%（95% CI: 5.06%, 23.91%; p = 0.002）のDTAの相対的な年間増加と関連していた。MIL-UIPが0.1ポイント増加するごとに、DTA変化の相対的な割合はCOPDGeneで1.10パーセンテージポイント（95% CI: 0.45, 1.74; p < 0.001）、AGES-Reykjavíkで1.30パーセンテージポイント（95% CI: 0.17, 2.45; p = 0.025）高くなった。MIL-UIP > 0.5は、COPDGene（HR 1.61; 95% CI: 1.08, 2.38; p = 0.018）およびAGES-Reykjavík（HR 1.62; 95% CI: 1.01, 2.61; p = 0.046）における死亡率の上昇と関連していた。ベースラインのDTAとMIL-UIPは、ILA、UIP、線維化進行の視覚的評価と強く関連していた。

結論：
UIPのようなCT特徴の自動評価は、ILAを有する個人の線維化進行および死亡率と関連しており、リスク層別化および臨床試験のエンリッチメントにおける潜在的な有用性を支持するものである。