AIとがん研究 ── 肺がん ── 2026-10-03
肺がんの治療・治験とAI
- Ensemble Machine Learning for Predicting Postoperative Pulmonary Complications (PPCs) in Lung Surgery: A Prospective Temporal Validation and Clinical Evaluation Study抄録（全訳）
背景：術後肺合併症（PPCs）は、肺がん手術後の回復を大きく妨げる。周術期を通じて高リスク患者を見つけるため、アンサンブル機械学習（ML）モデルを開発し、検証した。
方法：2016〜2020 年に解剖学的肺切除を受けた患者 3,476 例のデータを後ろ向きに解析した（コホート 1）。予測因子は、臨床的な専門知識、統計的有意性、Boruta アルゴリズムによって選んだ。ML モデルを 7 種類作り、Random Forest、CatBoost、XGBoost を統合した soft Voting Classifier を最適な手法とした。最適と判断したのは soft Voting Classifier で、ランダムフォレスト、CatBoost、XGBoost を統合したものである。前向きの時間的検証コホート（n = 171）でも評価した。性能の評価には次の指標を使った。受信者動作特性曲線下面積（AUROC）とその 95% 信頼区間（患者単位のブートストラップ）、Brier スコア、較正、決定曲線解析である。
結果：PPCs 全体の発生率は 15.9% であった。内部検証では、PPCs 全体の予測で Voting Classifier が 8 モデル中で最も高かった（AUROC 0.7216、95% 信頼区間 0.7044〜0.7369）。この値は XGBoost や CatBoost と同程度で、信頼区間は重なっていた。ロジスティック回帰（0.7009）よりは数値上高かった。時間的検証でも、中程度の識別能を保った（AUROC 0.6366、95% 信頼区間 0.5179〜0.7551）。この期間に手術方式は大きく変わった。胸腔鏡手術（VATS）の割合は 73.8% から 98.2% に増えた。それでも、術後肺炎の識別能は保たれた（AUROC 0.7434、95% 信頼区間 0.5887〜0.8759）。術後肺炎は、3 つのサブタイプの予測のうち最も良好であった（内部検証の AUROC 0.7799）。一方、遷延性空気漏れについては、識別能があるとは結論できなかった（AUROC 0.6790、95% 信頼区間 0.4673〜0.8796）。
結論：Voting Classifier は PPCs を予測する解釈可能なツールであり、周術期のリスク層別化の指針になる。高リスク患者に絞った介入ができる。このモデルは、術前療法を行わず最初から解剖学的肺切除を受けた患者のデータで作った。術前療法を受けた患者には当てはまらない。 倫理登録
掲載誌の IF 相当：1.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Zhou S, Tian L, Wang X, Ma C, Li S, Cha L, et al. Ensemble Machine Learning for Predicting Postoperative Pulmonary Complications (PPCs) in Lung Surgery: A Prospective Temporal Validation and Clinical Evaluation Study. Current Problems in Surgery. 2026 Oct [Epub ahead of print]. doi:10.1016/j.cpsurg.2026.102191.確認の範囲：抄録のみ確認 - Development and validation of a machine learning-based prediction model for anemia risk in patients with primary lung cancer receiving platinum-based chemotherapy: a multicenter study抄録（全訳）
背景：プラチナ製剤を含むレジメンを受ける原発性肺がん患者では、貧血がよく起こる。貧血は、プラチナ製剤を含む治療を受ける原発性肺がん患者によくみられ、臨床上の負担も大きい合併症である。しかし、多面的な臨床データを統合し、外部検証も経た確かなリスク層別化ツールはまだ少ない。この多施設研究の目的は、この集団で化学療法誘発性貧血（CIA）を予測する機械学習モデルを作り、外部検証することである。
方法：地理的に離れた 2 施設から、原発性肺がん患者 3,434 例を後ろ向きに登録した。3,097 例を訓練・内部検証用セット（7:3 に分割）に割り当てた。残る 337 例は独立した外部検証用セットとした。欠測率が 30% を超える変数は除外した。残りの欠測データは、連鎖方程式による多重代入法（MICE）で補完した。単変量スクリーニングと LASSO（least absolute shrinkage and selection operator）回帰で、候補予測因子 13 個を事前に選んだ。9 種類の機械学習アルゴリズムでモデルを作り、性能を比べた。評価には、受信者動作特性曲線下面積（AUC）、キャリブレーションプロット、決定曲線分析を用いた。モデルの解釈には SHAP（SHapley Additive exPlanations）を用いた。主要アウトカムは、化学療法の最初の 2 サイクル中に記録されたヘモグロビン値 100 g/L 未満（CTCAE グレード 2 以上）とした。
結果：9 つの候補モデルのうち、識別能が最も高かったのは LightGBM であった。AUC は訓練セットで 0.871（95% 信頼区間 0.852〜0.891）、内部検証で 0.797（95% 信頼区間 0.763〜0.831）であった。Linfen Central Hospital の外部検証セットでは 0.684（95% 信頼区間 0.626〜0.742）であった。キャリブレーションと決定曲線分析では、3 つのデータセットのいずれでも、LightGBM の一致度と正味の臨床的利益が一貫して優れていた。SHAP による解釈で、影響の大きい上位 6 つの予測因子は次のとおりであった：リンパ球数、D ダイマー、アラニンアミノトランスフェラーゼ、総ビリルビン、性別、アルブミン。D ダイマー、女性、外来での受け入れは、貧血リスクと正の関連があった。一方、リンパ球数、肝機能指標、アルブミンは負の関連を示した。 本研究で作った LightGBM モデルは、予測性能が中等度ながら許容でき、較正も良好であった。キャリブレーションは良好だった。地理的に異なる集団でも、臨床で役立つ可能性がある。このモデルは、化学療法の開始前に貧血リスクの高い肺がん患者を早期に見つける、予備的なリスク層別化ツールとなりうる。ただし、外部検証での性能は控えめであった。広く臨床に導入する前に、慎重な解釈とさらなる改良が必要である。
掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Zhang K, Li X, Zhang X, Wang X, Zhang H, Liu S, et al. Development and validation of a machine learning-based prediction model for anemia risk in patients with primary lung cancer receiving platinum-based chemotherapy: a multicenter study. Front Oncol. 2026 Sep 30;16:1948751. doi:10.3389/fonc.2026.1948751.確認の範囲：抄録のみ確認