AIとがん研究 ── 膵がん ── 2026-09-30


膵がんの治療・治験とAI
- Developing a Histology-Based Artificial Intelligence Biomarker to Predict Adjuvant Chemotherapy Benefit in Pancreatic Cancer.抄録(全訳)
目的:膵管腺がん(PDAC)の術後補助化学療法は、主に患者の全身状態をもとに選ばれている。著者らは、腫瘍の形態から治療効果の違いを予測できるという仮説を立てた。そこで、病理組織画像に深層学習を適用し、バイオマーカーを導き出せるかを調べた。対象は切除された PDAC である。ゲムシタビン(GEM)と modified FOLFIRINOX(mFOLFIRINOX)の相対的な効果の差を示すバイオマーカーが得られるかを検証した。
患者と方法:多施設の後ろ向きシリーズ 231 例から、標準的な全スライド画像を集めた。全例が根治目的の膵切除を受けた。術後補助療法は、mFOLFIRINOX(54 例)または GEM(177 例)だった。 これらの画像で、レジメンごとに組織画像モデルを学習させた。学習の指標は無病生存期間(DFS)である。続いて、これらのモデルを組み合わせて PANCprAId を作った。PANCprAId は、術後補助療法での GEM と mFOLFIRINOX の相対的な効果を、患者ごとに推定するバイオマーカーである。外部検証は、無作為化試験 PRODIGE-24/CCTG PA6(313 例)で行った。
結果:PRODIGE-24/CCTG PA6 では、PANCprAId のもとになった治療別の組織スコアで転帰を層別化できた。GEM 群のハザード比は 1.69(95% 信頼区間 1.04〜2.73、P = 0.03)であった。mFOLFIRINOX 群ではハザード比 2.02(95% 信頼区間 1.4〜3.0、P < 0.001)だった。 これらを PANCprAId として組み合わせると、GEM と mFOLFIRINOX の相対的な効果が異なるサブグループを特定できた。治療との交互作用は、DFS(交互作用 P = 0.003)とがん特異的生存期間(交互作用 P = 0.001)で有意だった。予測された各レジメンへの感受性は、それぞれ異なる上皮と間質の特徴と関連していた。
結論:組織画像に基づく深層学習で、予測バイオマーカーを導き出すことができる。このバイオマーカーは、切除した PDAC で、術後補助療法としての GEM と mFOLFIRINOX の相対的な効果を予測する。
書誌:Beaufils A, De Martino J, Jiang X, Blanchard T, Fraunhoffer N, Mendes D, et al. Developing a Histology-Based Artificial Intelligence Biomarker to Predict Adjuvant Chemotherapy Benefit in Pancreatic Cancer. J Clin Oncol. 2026 Sep 10;44(26):2507-16. doi:10.1200/jco-26-00327. PMID: 42507965; PMCID: PMC13557473.確認の範囲:全文を確認 - AI-driven tumor heterogeneity quantification and survival prediction in pancreatic ductal adenocarcinoma.抄録(全訳)
膵管腺癌(PDAC)は世界で最も致死性の高い悪性腫瘍の一つであり、その顕著な生物学的不均一性と複雑な腫瘍微小環境のために、正確な予後予測は依然として極めて困難である。この課題に対処するため、個別化された全生存期間(OS)の予測のために、病理組織全スライド画像(WSIs)を用いた histopathomics に基づく生存予測システム(HPSurv)を開発した。本フレームワーク内では、病理組織の組織分類、腫瘍の空間的不均一性の定量的特徴づけ、および survival Transformer を統合し、病理組織データからの多階層的な表現学習を可能とした。本システムは 5 つの独立コホートにわたる 1020 例の患者において開発および評価された。従来の臨床病理学的指標と比較して、多施設コホートにわたり有意に改善した予後予測性能が達成され(p < 0.05)、平均 C-index は 0.761、6 か月、2 年、3 年生存の予測における時間依存性 AUC はそれぞれ 0.936、0.877、0.772 であった。サブグループ解析はさらに、本システムが独立した予後因子であることを支持し、ACT 関連の転帰に関して患者を層別化する潜在的な有用性を示唆した。加えて、PDAC の主要な分子経路との有意な関連が観察され、モデルの予測に対する生物学的な洞察を提供し、解釈可能性を支持した。本研究では、PDAC の定量的モデリングのための解釈可能かつ高性能な人工知能(AI)フレームワークが確立された。腫瘍不均一性の客観的な特徴づけと正確な術後生存予測が可能となり、PDAC における個別化管理への潜在的な価値を有する。
注:3 件目(10.1200/jco-26-00327)の Results は入力の原文自体が途切れており(「P P = .003」の重複、および mFOLFIRINOX 群の HR に続く文の脱落、交互作用 P 値が DFS か CSS かの区別が不明)、その箇所は原文どおりに訳しています。
書誌:Shao L, Ke X, Wang Y, Li R, Yu K, Wu J, et al. AI-driven tumor heterogeneity quantification and survival prediction in pancreatic ductal adenocarcinoma. NPJ Digit Med. 2026 Jul 20 [Epub ahead of print]. doi:10.1038/s41746-026-02979-7. PMID: 42477155.確認の範囲:抄録のみ確認