AIとがん研究 ── 前立腺がん ── 2026-09-30


前立腺がんの治療・治験とAI
- A novel multiomics machine learning signature identifies rapid progression in clinically low risk prostate cancer.抄録(全訳)
原発性前立腺癌におけるリスク層別化は、依然として臨床病理学的基準に大きく依存しており、こうした基準は早期の高悪性度疾患の背景にある不均一性をしばしば見落とす。我々は、体細胞コピー数変化(somatic copy-number alterations)および遺伝子産物に関連する生物学的情報をコード化し、さらにエピゲノミクスおよびトランスクリプトミクスを含む統合的マルチオミクスのアプローチを患者個別の生物学的ネットワークへと組み込む、新規の機械学習による非線形予後予測フレームワークを提示する。TCGA-PRAD(n = 498)に適用したところ、重み付きグラフに基づく特徴選択とLASSO-Coxモデルにより、ZNF268がマスターレギュレーター遺伝子として同定され、そのプロモーター領域の高メチル化は、Low/Intermediate-risk疾患に限って認められる明確な発癌性転換(oncogenic transition)と関連していた。Low-ZNF268腫瘍の事後解析(post-hoc analysis)では、ドライバー変異が濃縮された特徴的な体細胞変異像が示され、MAPK、ATR、およびPI3K/mTOR阻害薬に対する感受性が予測され、予後予測のシグナルと並んで治療標的となりうる脆弱性が示された。トポロジカルなネットワーク解析はさらに、ZNF268の喪失が共発現の再配線(rewiring)遺伝子ネットワークに影響を及ぼすことを明らかにし、これをRewiring Scoreとして定量化した。本スコアは、TCGA-PRADにおいて無増悪生存期間(Progression-Free Survival)と関連し(HR: 2.79、95% CI: 1.36-5.71、p = 0.0049)、2つの外部コホートにおいては生化学的再発(Biochemical Recurrence)と関連していた。本フレームワークは、全身性の進行に先行する活動的な分子的転換状態にある腫瘍を捉えることにより、標準的なリスク基準の下で現在は治療が不足している患者のなかから、生物学的に高悪性度の前立腺癌疾患を同定するための予後予測ツールを提供する。
書誌:Rafeletou A, Fathi F, Kiseļova T, Taheri G, Lundberg A. A novel multiomics machine learning signature identifies rapid progression in clinically low risk prostate cancer. NPJ Digit Med. 2026 Sep 14;9(1):702. doi:10.1038/s41746-026-03254-5. PMID: 42736338; PMCID: PMC13575102.確認の範囲:全文を確認 - Multimodal artificial intelligence prediction of abiraterone efficacy in two STAMPEDE phase III trials of nonmetastatic very high-risk prostate cancer☆抄録(全訳)
背景:高リスクの限局性前立腺がんでは、長期アンドロゲン除去療法(LT-ADT)と放射線療法の併用が標準治療である。臨床的に超高リスクの場合は、これにアビラテロンを加える。ただし、アビラテロンには毒性と費用の負担がありうる。このため、投与する患者をより適切に選べる予測バイオマーカーが必要である。本研究では、デジタル病理を用いるマルチモーダル人工知能(MMAI)モデルを評価した。このモデルは、予後バイオマーカーとしてすでに検証されている。今回は、非転移性で臨床的に超高リスクの前立腺がんを対象とした。そのうえで、アビラテロンの上乗せ効果を予測できるかを調べた。
患者と方法:対象は、STAMPEDE(Systemic Therapy in Advancing or Metastatic Prostate Cancer: Evaluation of Drug Efficacy)プラットフォーム試験(NCT00268476)の登録患者である。STAMPEDE の中で、アビラテロンを検討した 2 試験が順に行われた。この 2 試験は対照群を共有していない。MMAI スコアは、デジタル病理画像、前立腺特異抗原(PSA)、腫瘍の病期、年齢から算出した。すでに確立された 75 パーセンタイルの閾値を用いて、患者を MMAI 超高リスク群と標準高リスク群に分類した。これにより、患者を MMAI 超高リスク群と MMAI 標準高リスク群に分けた。主要評価項目は無転移生存期間(MFS)である。治療効果は Cox 回帰で推定し、リスクは Kaplan-Meier 法で推定した。予測能は、治療とバイオマーカーの交互作用を含む Cox モデルで評価した。
結果:解析対象は計 1137 例である。LT-ADT 群に 583 例、LT-ADT+アビラテロン群に 554 例が無作為に割り付けられていた。MMAI 超高リスク群は 268 例であった。この群では、アビラテロンの追加で MFS が有意に改善した(ハザード比 0.47(95% 信頼区間 0.31〜0.70))。5 年 MFS は、LT-ADT 群で 62%(95% 信頼区間 54%〜70%)であった。LT-ADT+アビラテロン群では 81%(95% 信頼区間 74%〜88%)に上がった。MMAI 標準高リスク群は 869 例であった。この群では、アビラテロンの効果は限られていた(ハザード比 0.83(95% 信頼区間 0.63〜1.09))。5 年 MFS は、LT-ADT 群で 82%(95% 信頼区間 78%〜85%)であった。LT-ADT+アビラテロン群では 84%(95% 信頼区間 80%〜87%)であった(交互作用 P = 0.02)。群による効果の差は、所属リンパ節転移の陰性・陽性のいずれのサブグループでも一貫していた。
結論:本研究は、無作為化臨床試験のデータの事後解析である。仕様を固定したデジタル病理 MMAI 検査では、予後との強い関連が認められた。この検査で、非転移性の超高リスク前立腺がんでのアビラテロンの効果を予測できた。このバイオマーカーは臨床に導入できる可能性がある。導入すれば、治療強化の利益を最大限に得ながら、不要な毒性を避けられる可能性がある。
書誌:Parker CTA, Huang HC, Grist E, Mendes L, Yamashita R, Croucher D, et al. Multimodal artificial intelligence prediction of abiraterone efficacy in two STAMPEDE phase III trials of nonmetastatic very high-risk prostate cancer. Ann Oncol. 2026 Oct;37(10):1334-44. doi:10.1016/j.annonc.2026.05.708. PMID: 42250604.確認の範囲:抄録のみ確認