同じ大きさ、同じ場所、同じ見た目。それでも治療後の経過が分かれた2つの腫瘍——
その理由は、画像の中の“数字”に隠れていた。
このページで使う3つの言葉を先に紹介します。この3つだけ持って読み進めてください。
AさんとBさん。2人のCT画像には、どちらも肺に直径3cmの腫瘍が写っていました。大きさは同じ。場所も同じ。パッと見た印象も、ほとんど同じです。
ところが治療を始めると、2人の経過は大きく分かれました。Aさんの腫瘍には治療がよく効いたのに、Bさんの腫瘍はなかなか小さくなりませんでした。見た目がこんなに似ていたのに、なぜ？
拡大すると、違いが見えてきます。Aさんの腫瘍は内部がのっぺりと均一。Bさんの腫瘍は内部がまだらです。じつは腫瘍の「中身の質感」には、治療の効きやすさや悪性度のヒントが隠れていることがあります。でも、この“まだら具合”を目視で「なんとなく不均一」と言っているだけでは、診療の根拠になりません。
レディオミクスの発想を一言で表したのが、代表的な総説[3]のタイトルにもなった次の標語です：「Images are more than pictures, they are data（画像は単なる写真ではなく、データである）」。
CT画像の1点1点（ボクセル＝3D版の画素。CTなら約1mm角のサイコロ1個）には数値が入っています。直径3cmの腫瘍なら、その中には数千〜数万個のボクセル＝数値が詰まっています。レディオミクスはこの数値の集まりから、腫瘍の「個性」を表すたくさんの特徴量を計算します。ちょうど、腫瘍のプロフィール表（カルテ）を作るようなイメージです。
| 丸さ Sphericity | 0.82 |
| 明るさの平均 Mean | −45 HU |
| まだら度 Entropy | 6.8 |
| 隣との明暗差 Contrast | 12.3 |
| … ほか数百項目 | |
こうして得られた「丸さ（Sphericity）」「明るさの平均（Mean）」「まだら度（Entropy）」「隣との明暗差（Contrast）」……という数百の数値を、機械学習や統計モデルと組み合わせて、診断・予後予測・治療効果予測に使える画像バイオマーカーに仕立てる——ここまでがレディオミクスの仕事です。
がんの組織は、1つの腫瘍の中でも場所によって細胞の顔つきや遺伝子の変化が異なることが知られています（腫瘍内不均一性）。低酸素の領域、増殖の速い領域、治療に抵抗する領域——マーブル模様（大理石模様）のように、中身は“まだら”なのです。この不均一性こそが治療抵抗性や予後に関わると考えられています[1]。
しかも医用画像は、診断のためにすでに撮影されている——追加の検査は要りません。それなのに従来は、医師が「見て」診断したら画像の役目はほぼ終わりでした。
「画像の質感を数値にする」アイデア自体は半世紀前からありました。それが2012年に「radiomics」という名前を得て、大規模データと機械学習の時代に一気に花開きます。
百聞は一見にしかず。スライダーで腫瘍内部の不均一性（まだら具合）を変えてみてください。「まだら度（Entropy）」と「隣との明暗差（GLCM Contrast）」がリアルタイムに変化します。あなたの目には「なんとなく違う」としか見えない変化が、数値でははっきり捉えられます。
実際の研究では、こうした特徴量の組み合わせ（シグネチャ）で患者さんを予後の良い群・悪い群に層別化できることが、肺がん・頭頸部がんの独立データで示されています[5]。マーカー（●）は「いまの画像がどちらの群に近いか」のイメージです。
Aさん・Bさんの画像が特徴量になるまでの流れは、世界共通でおおよそ次の5段階です[2]。
レディオミクスの応用は「診断の補助」から「治療方針の個別化」まで広がっています。代表的な研究を4つ紹介します（いずれも研究段階の成果であり、確立した日常診療ではありません）。
大腸がんのCT画像の特徴量と臨床情報を組み合わせ、手術前にリンパ節転移の有無を個別予測するモデルを構築。
Huang YQ et al. J Clin Oncol 2016[8]CT画像から腫瘍に浸潤する免疫細胞（CD8陽性T細胞）の多さを推定し、免疫チェックポイント阻害薬の効果との関連を実証。
Sun R et al. Lancet Oncol 2018[9]肺腺がんの治療前CTの特徴量から遠隔転移のリスクを予測し、治療強度の個別化につなげる研究。
Coroller TP et al. Radiother Oncol 2015[10]同じ腫瘍でも、CT装置・撮像条件・再構成条件・輪郭の描き方が変わると、特徴量の値が変わってしまうことがあります。系統的レビューでは、特徴量ごとに再現性に大きな差があることが示されています[11]。だからこそIBSIによる「ものさし合わせ」が必要なのです。
数百〜数千個の特徴量に対して、症例が数十〜数百例しかないことも珍しくありません。この状況では、偶然の相関を「発見」してしまう過学習の危険が高まります。クラスに50人いれば、誕生日が同じペアがたまたま見つかるのと同じ理屈です。
1つの施設のデータで作ったモデルが、別の施設・別の装置のデータでも機能するかは、独立データでの外部検証で確かめる必要があります。研究の質を採点するチェックリスト RQS（Radiomics Quality Score）でも、外部検証は中核要件です[12]。
人間が数式で設計した特徴量を使う従来型レディオミクスに対し、ディープラーニングは特徴の抽出自体をデータから自動学習します[13]。どちらが優れているという単純な話ではなく、解釈のしやすさ（従来型）と表現力（ディープラーニング）を組み合わせる研究が進んでいます。
レディオミクスは無料ツールだけで始められます。卒業研究・大学院研究の入り口としてもおすすめです。
| ツール | 難易度 | 特徴 |
|---|---|---|
| LIFEx | ★ 入門 | プログラミング不要のGUIソフト[14]。PET・CT・MRIに対応し、クリック操作で特徴量を計算できる。最初の1本に最適。 |
| 3D Slicer | ★★ 中級 | 無料の画像解析プラットフォーム。Radiomics拡張（SlicerRadiomics）を入れると、ROI描画から特徴量抽出までGUIで一貫して行える。 |
| PyRadiomics | ★★★ 上級 | オープンソースのPythonライブラリ[6]。研究論文で最も広く使われ、フィルタ画像を含め1画像あたり約1,500特徴量を抽出できる。 |
172個の特徴量を順番に暗記する必要はありません。4つのステップで代表グループを体験すれば、残りは同じ考え方の応用です。
平均・分散・歪度——統計の初歩だけで読める最適な入り口。まずはここから。
★★ 初中級「離散化」の意味がわかると、テクスチャ特徴量への扉が開く。
★★ 中級体積・球形度など直感的な特徴量を、回転する3Dモデルで。
★★★ 中上級テクスチャ行列の代表格。ここを越えれば残りのグループは応用編。
Step 4 まで進んだら、特徴量カタログ（全11グループ）から残りのグループ（GLRLM・GLSZM・GLDZM・NGTDM・NGLDM など）へどうぞ。どれも「行列を作って1つの数値に要約する」という同じ発想です。
どちらも英語の radiomics の日本語表記で、意味はまったく同じです。医学物理・放射線技術系の学術文献では「レディオミクス」、臨床・一般向けの記事では「ラジオミクス」が使われる傾向があります。まれに「ラディオミクス」とも書かれます。本サイトは「レディオミクス」を主な表記としています。
従来型のレディオミクスは、人間が数式で定義した特徴量（ハンドクラフト特徴量）を画像から計算します。ディープラーニングは特徴の抽出自体を画像データから自動で学習します。両者は対立するものではなく補完関係にあり、組み合わせた研究も盛んです。
最初の一歩に高度な数学は不要です。平均・分散など統計の初歩と、CT・MRIなど医用画像の基本がわかれば始められます。本サイトの強度統計ページは統計の初歩だけで読めるように作られています。
国際的な標準化プロジェクトIBSIのリファレンスマニュアルには11グループの特徴量が定義されています（2020年のIBSI論文では174個が検討され、うち169個の参照値が確立されました）。本サイトはこのマニュアルに掲載の特徴量を、本サイトの数え方で11グループ・172個すべて解説しています。ソフトウェアによってはフィルタ処理した画像からも抽出するため、PyRadiomicsでは1画像あたり約1,500個の特徴量を計算できます。
あります。プログラミング不要のGUIソフトならLIFEx、領域抽出から一貫して行うなら3D Slicer（Radiomics拡張）、Pythonで研究するならPyRadiomicsが定番です。いずれも無料で入手できます。
IBSI（Image Biomarker Standardisation Initiative）は、研究ごとにバラバラだった特徴量の定義・計算方法を国際的に統一する標準化プロジェクトです。特徴量の標準定義と参照値を確立し、異なるソフトウェア間で結果を比較・検証できるようにしました。
現在は主に研究段階で、日常診療での普及はこれからです。撮像条件によって特徴量の値が変わる再現性の課題や、多施設での外部検証の不足が壁とされ、IBSIによる標準化やRadiomics Quality Scoreによる研究品質評価が進められています。