AIとがん研究 ── 肺がん ── 2026-09-30


肺がんの治療・治験とAI
- Clinical usability of an explainable AI decision support tool and evaluation of multimodal models in NSCLC.抄録(全訳)
10年が経過したにもかかわらず、非小細胞肺癌(NSCLC)における免疫療法(IO)の治療選択は、依然として主にサブグループ解析と不完全なprogrammed death ligand 1(PD-L1)および臨床スコアに導かれている。我々の知る限り、I3LUNG(NCT05537922)は現時点で最大の国際的・実臨床・マルチモーダル・人工知能(AI)に基づく研究であり、2,396例を登録している。我々は、実臨床の臨床および血液(CB)データ、コンピュータ断層撮影(CT)画像、デジタル病理(DP)、ゲノミクスを、機械学習早期融合(MLEF)モデルおよび深層学習中間融合(DLIF)モデルに統合した。機械学習(ML)および深層学習(DL)のCB単独モデルは、テスト(TEST)セットにおいて曲線下面積(AUC)最大0.77と、各アウトカムにわたり一貫した性能を達成した。外部検証(EXVAL)における性能低下は、集団間の差異を反映している可能性が高い(AUC範囲:0.55-0.72)。AIモデルは、独立したTESTセットにおいてPD-L1、Eastern Cooperative Oncology Group performance status(ECOG PS)、好中球リンパ球比(NLR)、乳酸脱水素酵素(LDH)、Lung Immune Prognostic Index(LIPI)スコアを有意に上回った。臨床的実用性研究では、肺癌の専門医および非専門医のいずれも、説明可能AI(XAI)のML・CB単独ベースのツールにより予測が改善した。MLEF(CB+CT+DP)によるマルチモーダル統合はより高い性能と関連していたが、その上乗せベネフィットは不確実なままであり、TESTおよびEXVALでは再現されなかった。I3LUNGプロジェクトは、AIツールの臨床的有用性を示す先駆的な枠組みである。意思決定支援システム(CBおよびマルチモーダルの両方)の前向き検証が、現在2,000例を超える患者で進行中である。
注:1件目の「Findings」末尾(`q` 以降)、2件目の「Findings」末尾(`all p` 以降)および「Interpretation」末尾(`potential for t`)は、ご提示の原文自体が途中で切れているため、切れた位置までを訳しています。完全な訳が必要な場合は、該当部分の原文をお送りください。
書誌:Prelaj A, Miskovic V, Sacco M, Ferrarin A, Licciardello CM, Provenzano L, et al. Clinical usability of an explainable AI decision support tool and evaluation of multimodal models in NSCLC. Nat Med. 2026 Sep 13;32(9):3235-47. doi:10.1038/s41591-026-04488-2. PMID: 42733093; PMCID: PMC13577906.確認の範囲:全文を確認 - Multi-task deep learning model for predicting EGFR mutation status in NSCLC.抄録(全訳)
EGFR 変異状態予測のためのマルチタスク DL 上皮成長因子受容体(EGFR)変異状態は非小細胞肺癌(NSCLC)の管理における重要なバイオマーカーであり、EGFR 標的治療の対象患者を選択するうえで不可欠な役割を果たす。深層学習(DL)の進展に伴い、EGFR 変異状態を予測する非侵襲的手法の開発への関心が高まっている。本研究では、CT 画像を用いて EGFR 変異状態を予測するマルチタスク深層学習(MTDL)モデルを提示する(WHO 国際臨床試験登録における ChiCTR2400083082)。我々の MTDL モデルは、EGFR 変異状態を正確に予測するうえで有望な性能を達成した。さらに MTDL スコアは、EGFR 標的治療を受けた患者の生存、ならびに関連する遺伝子発現パターンおよび腫瘍微小環境と有意に関連していた。これらの結果は、本手法が EGFR 変異状態を予測する正確かつ非侵襲的なバイオマーカーとして機能し、それにより NSCLC 患者の個別化治療の意思決定を促進する可能性を有することを示唆している。
書誌:Song Q, Li X, Song B, Ye W, Zhang T, Hu X, et al. Multi-task deep learning model for predicting EGFR mutation status in NSCLC. NPJ Digit Med. 2026 Jul 20 [Epub ahead of print]. doi:10.1038/s41746-026-03007-4. PMID: 42477500.確認の範囲:抄録のみ確認 - Radiogenomic modeling of EGFR mutation status in brain metastases from lung adenocarcinoma: a multicenter study with biological interpretability.抄録(全訳)
脳転移(BMs)を伴う肺腺癌(LUAD)における上皮成長因子受容体(EGFR)変異状態の正確な予測は、標的治療を導くうえで極めて重要である。しかしながら、非侵襲的かつ生物学的に解釈可能なツールは依然として限られている。この多施設ラジオゲノミクス研究では、3 施設にわたる 421 例の LUAD 患者に由来する計 1303 個の BMs を解析した。T1、T2 および造影 T1 シーケンスから 3435 個のラジオミクス特徴量を抽出した。適応的な LightGBM に基づくモデリングパイプラインを用いて、EGFR 変異状態(EGFR+、19Del、L858R、または感受性変異)を予測する 4 タスク分類フレームワークを構築した。モデルは内部コホートにおいて優れた性能を示し(AUC は最大 0.95)、さらに病理学的に EGFR 状態が確認された 94 病変において検証され、正確度 83.0%、感度 84.7%、特異度 80.0% に達した。SHAP および LIME 解析により、形状に基づくラジオミクス特徴量、とくに original_shape_sphericity が EGFR 変異サブタイプの最も重要な予測因子であることが明らかになった。次に、対応する 38 例の手術検体についてトランスクリプトーム解析を実施した。ラジオゲノミクス相関解析により、sphericity は RNF125 および SLC37A2 と負の相関を示した。下流のエンリッチメント解析では、DNA 複製、姉妹染色分体分離、および ERBB シグナル伝達に関連する EGFR 関連の特徴が同定された。本研究は、解釈可能な生物学に基づくラジオゲノミクスモデリングが、LUAD の BMs の精密な層別化のための非侵襲的な臨床戦略として有望であることを示している。
書誌:Deng F, Chu X, Shi W, Xiao G, Tanzhu G, Niu L, et al. Radiogenomic modeling of EGFR mutation status in brain metastases from lung adenocarcinoma: a multicenter study with biological interpretability. NPJ Digit Med. 2026 Jul 6 [Epub ahead of print]. doi:10.1038/s41746-026-02931-9. PMID: 42410125.確認の範囲:抄録のみ確認