AIとがん研究 ── 2026-09-30


インパクトファクター 10 以上の医学誌・腫瘍学誌・総合誌(26 誌)のホームページから、がんと AI に関わる新しい論文を集め、Jev(言葉の判断をする AI)が「原著研究か」「AI が中心か」「13 のテーマのどれか」「治療・治験に関わるか」を判定して選んだ一覧です。各論文の抄録(アブストラクト)を全文和訳して載せています(Claude による機械翻訳。原文は題のリンク先)。
がん種別に読む: がん一般(12) · 乳がん(3) · 肺がん(3) · 膵がん(2) · 前立腺がん(2) · 腺様嚢胞癌(0) · 脳腫瘍(0) · 卵巣がん(0) · 子宮体がん(0) · 胃がん(0) · 肝臓がん(0) · 腎臓がん(0) · 膀胱がん(0)
がん一般の分子生物学の進展とAI
- SpaCEy links spatial tissue patterns to clinical outcomes using explainable graph neural networks.抄録(全訳)
組織は空間的に組織化された複雑な生態系であり、この組織化の変化が複数の疾患の基盤となっている。空間オミクスは組織の組織化を分子レベルでプロファイリングすることを可能にするが、これらのパターンを臨床転帰に結びつけることは依然として困難である。我々は SpaCEy(Spatial Clinical Explainability)を提示する。これは、空間プロテオミクスのデータセットにおいて臨床転帰を予測する組織パターンを同定する、説明可能なグラフニューラルネットワークである。SpaCEy は、あらかじめ定義された細胞型ラベルや解剖学的領域をモデル入力として用いることなく、分子マーカーの発現から組織を空間グラフとしてモデル化する。その埋め込み表現は、全生存期間および疾患進行を予測するための細胞間関係と分子的依存関係を捉える。統合された説明器(explainer)は、モデルの予測に関連する反復的な空間パターンと協調的なマーカー発現を同定する。空間プロテオミクスの肺癌コホートに適用すると、SpaCEy は疾患進行に関連する空間パターンおよびタンパク発現パターンを同定する。複数の乳癌プロテオミクスデータセットにおいては、確立された臨床サブタイプをまたいで、またそのサブタイプ内においても、全生存期間により患者を層別化し、この層別化の基盤となるタンパクマーカーを明らかにする。
書誌:Rifaioglu AS, Ervin EH, Sarigun A, Germen D, Bodenmiller B, Tanevski J, et al. SpaCEy links spatial tissue patterns to clinical outcomes using explainable graph neural networks. Nat Commun. 2026 Sep 26;17(1):10232. doi:10.1038/s41467-026-77924-z. PMID: 42800816; PMCID: PMC13615965.確認の範囲:全文を確認 - UniCure: A multi-modal model for predicting personalized cancer therapy response.抄録(全訳)
多様な患者背景にわたって薬剤の有効性を予測することは腫瘍学における大きな課題であり続けている。がん細胞株で訓練されたモデルは、患者固有の生物学を捉えられないことが多いためである。新たに登場した生物学的基盤モデル(foundation model)と患者由来技術は、有望な解決策を提供する。ここで我々は UniCure を提示する。これは生物学的基盤モデルと化学的基盤モデルを組み合わせ、多様な細胞・組織背景にわたって薬剤誘導性のトランスクリプトーム応答を予測し、個別化された薬剤ランキングを可能にするマルチモーダルモデルである。22,000 を超える化合物、166 の細胞型、24 の組織にわたる 190 万件のトランスクリプトーム摂動プロファイルで訓練された UniCure は、用量依存的応答および併用応答を正確に予測し、バルクデータと単一細胞データにわたって汎化する。さらに我々は、345 件の患者由来腫瘍様クラスター(patient-derived tumor-like cluster、PTC)のトランスクリプトームプロファイルで UniCure をファインチューニングし、396 件の実臨床(real-world)プロファイルで性能を検証して、患者レベルでの有効な予測を示した。本モデルは応答に基づく患者層別化を支援し、細胞株および患者由来モデルにおいて実験的に検証されている。全体として UniCure は、前臨床データを個別化された治療戦略へ橋渡しするための実用的な枠組みを提供する。
書誌:Chen Z, Tian S, Pei J, Gu R, Li Y, Ding S, et al. UniCure: A multi-modal model for predicting personalized cancer therapy response. Cancer Cell. 2026 Sep [Epub ahead of print]. doi:10.1016/j.ccell.2026.07.010. PMID: 42716007.確認の範囲:抄録のみ確認
乳がんの治療・治験とAI
- Artificial intelligence-based tumour infiltrating lymphocyte quantification in patients with triple-negative breast cancer: an independent validation study.抄録(全訳)
背景:腫瘍浸潤リンパ球(TIL)は、トリプルネガティブ乳がんで信頼できる予後マーカーである。人工知能(AI)で TIL を評価する計算ツールを使えば、作業を効率化できる可能性がある。ただし、臨床転帰と照らし合わせた独立の検証が必要である。この研究の目的は、AI 由来の TIL スコアと病理医による TIL スコアで、予後予測能を比べることである。データには、無作為化比較試験を統合した、前向きに収集した大規模なデータセットを用いた。
方法:CATALINA は、独立した外部検証研究である。多施設で行われた 7 件の無作為化臨床試験から、長期の臨床転帰データを統合して用いた。これらは前向きに収集した長期の臨床転帰データである。 既に検証済みの AI パイプライン 2 種類を、独立に評価した。これら 2 つのパイプラインからは、計算で評価した腫瘍浸潤リンパ球(cTIL)のスコアが計 5 種類得られる。評価では、固定したモデルを盲検下で独立に運用した。 相関の評価には、早期のトリプルネガティブ乳がんまたは HER2 陽性乳がんの患者コホートを用いた。対象は、ヘマトキシリン・エオジン(HE)染色の全スライド画像をデジタル化した 220 枚である。これらの画像は、TIL の再現性研究で、訓練を受けた病理医が既にスコア付けしていた。cTIL スコアと、病理医による間質 TIL(sTIL)スコアの平均との相関を調べた。 予後予測能は、別のコホートで評価した。早期トリプルネガティブ乳がんの患者を、前向きの無作為化術後補助療法試験 7 件から統合したコホートである。cTIL スコア・sTIL スコアと転帰との関連は、多変量 Cox 回帰モデルで調べた。モデルは臨床病理学的因子と試験間の異質性で調整した。評価した転帰は、無浸潤疾患生存期間、遠隔無病生存期間、全生存期間である。5 年時点の識別能は、時間依存性の受信者動作特性曲線下面積(AUC)で推定した。
結果:1759 例の個別データを集めた。このうち 1356 例で、臨床病理学的データ、病理医の sTIL スコア、cTIL スコアがすべてそろっていた。cTIL スコアと病理医の sTIL スコア平均との相関は、中程度にとどまった(r 0.375〜0.473)。 sTIL と cTIL は、臨床病理学的因子で調整した後も、それぞれ独立して転帰と関連した。評価した転帰は、5 年時点の無浸潤疾患生存期間、遠隔無病生存期間、全生存期間である。ハザード比は次のとおりである。 - sTIL スコア:無浸潤疾患生存期間 0.73(95% 信頼区間 0.66〜0.82、q < 0.0001)、遠隔無病生存期間 0.70(95% 信頼区間 0.61〜0.79、q < 0.0001)、全生存期間 0.72(95% 信頼区間 0.63〜0.82、q < 0.0001)5 年 AUC は、sTIL スコアと cTIL スコアのいずれを加えても、臨床病理学的変数だけのときより改善した。一方、臨床病理学的変数と sTIL スコアに cTIL スコアを加えても、AUC はそれ以上有意には改善しなかった。 解釈2 つの cTIL モデルは、再学習も修正もせずにそのまま運用した。それでも、統計学的に有意な予後情報が得られた。リスクの識別能も、臨床病理学的変数だけのときより改善した。 臨床病理学的変数と sTIL スコアを組み合わせたモデルに比べると、cTIL スコアによる予後予測の上積みはなかった。それでもこの結果は、再現性のある予後バイオマーカーとして cTIL を使うことを支持する。病理医による評価を日常的・広範に行えない場面では、とくにそうである。 研究資金
書誌:Dixon-Douglas JR, Drubay D, Salgado R, Acs B, van der Laak J, Yuan Y, et al. Artificial intelligence-based tumour infiltrating lymphocyte quantification in patients with triple-negative breast cancer: an independent validation study. Lancet Oncol. 2026 Sep;27(9):1181-92. doi:10.1016/s1470-2045(26)00339-6. PMID: 42636839.確認の範囲:抄録のみ確認 - Manual, digital, and AI tumour-infiltrating lymphocyte scoring: a secondary analysis of the APHINITY randomised trial.抄録(全訳)
背景:間質の腫瘍浸潤リンパ球(sTIL)は、早期 HER2 陽性乳がんで予後と関連する。しかし、HER2 の二重阻害を行う場合の役割は、まだ分かっていない。第 3 相試験 APHINITY の腫瘍検体を用いて、sTIL の定量法を評価した。評価したのは、手作業、デジタル、人工知能(AI)による定量と、AI 由来の空間指標である。予後と治療効果の層別化に使えるかどうかを調べた。
方法:APHINITY 試験では、4805 例を 2 群に無作為に割り付けた。化学療法+トラスツズマブ+ペルツズマブの群と、化学療法+トラスツズマブ+プラセボの群である。追跡期間の中央値は 74.1 か月(四分位範囲 68.3〜75.4)だった。 ヘマトキシリン・エオジン染色画像 4262 枚を、次の方法で解析した。 - 手作業による評価 - 自動化したデジタル手法 - AI によるリンパ球の定量(AI percentage lymphocytes) - AI 由来の 2 つの空間特徴(AI-TIL と immune hotspot) 評価者間の再現性は、無作為に選んだ 262 検体で調べた。5 人の病理医が、それぞれ独立にスコア付けした。 TIL レベルと転帰との関連は、多変量 Cox モデルで評価した。転帰は、無浸潤疾患生存期間(APHINITY の主要評価項目)、無遠隔再発期間、全生存期間である。ペルツズマブの効果のばらつき(異質性)は、3 つの方法で評価した。サブグループ解析、サブ集団治療効果パターンプロット解析、治療とバイオマーカーの交互作用項を含む入れ子の Cox モデルである。
結果:手作業のスコアリングは、評価者間の再現性が高かった(級内相関係数 0.84、95% 信頼区間 0.79〜0.88)。手作業と自動化手法の一致は、中程度にとどまった。 AI によるスコアリング(AI percentage lymphocytes)では、リンパ節転移陽性の 1035 例のうち 120 例(11.6%)が再分類された。これは、手作業の評価では免疫低値とされ、AI によって免疫高値に再分類された腫瘍である。このサブグループでは、5 年無浸潤疾患生存期間の曲線が、ペルツズマブ群とプラセボ群でより大きく離れた。比較の相手は、手作業と AI のどちらでも免疫低値とされた患者である。 TIL が多いほど、無浸潤疾患生存期間は良好だった。これは、どの sTIL 測定法と空間指標でも同じだった(ハザード比 0.41〜0.93)。sTIL が高いと、どの測定法でも、ペルツズマブで無浸潤疾患生存期間が改善した(ハザード比 0.36〜0.48)。ただし、空間指標が高い場合には、この関連はみられなかった。 6 年時点でペルツズマブによる絶対改善が最も大きかったのは、リンパ節転移陽性の患者である。そのうち、手作業の sTIL スコアが最も高い区分(70.0% 以上)の患者だった(平均絶対改善 12.1 パーセントポイント、標準偏差 2.8)。 入れ子の予後モデルと予測モデルでは、AI による immune hotspot スコアが最も一貫して追加の情報を与えた。どの sTIL 測定と組み合わせても同様だった(すべて p < 0.010)。
解釈:標準化した手作業の sTIL スコアリングは、再現性があった。デジタルと AI の手法は、手法間の相関が中程度にとどまった。それでも、予後の層別化は一貫していた。治療効果を層別化できる可能性もみられた。 AI の空間指標は、sTIL の密度以外の補完的な情報を与えた。より大規模に免疫評価を行う助けになりうる。今後、独立したコホートでこれらの手法を検証する研究が必要である。現在の HER2 標的療法で患者を層別化する際に、臨床的にどう役立つかも明らかにする必要がある。
研究資金:なし
書誌:Lara González LE, Giudici F, Salgado R, Yan H, Rojo F, Comerma L, et al. Manual, digital, and AI tumour-infiltrating lymphocyte scoring: a secondary analysis of the APHINITY randomised trial. Lancet Oncol. 2026 Sep;27(9):1168-80. doi:10.1016/s1470-2045(26)00247-0. PMID: 42636838.確認の範囲:抄録のみ確認
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
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
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
腺様嚢胞癌の治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
脳腫瘍の治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
卵巣がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
子宮体がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
胃がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
肝臓がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
腎臓がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。
膀胱がんの治療・治験とAI
この号では、対象誌に新しい該当論文はありませんでした。