AIとがん研究 ── 2026-10-03
がんと AI に関わる新しい論文を、各誌のホームページの配信・PubMed(誌を問わない検索)・OpenAlex(Google Scholar の代わりの公開の索引)から集め、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、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当(OpenAlex の直近 2 年の平均被引用数)とその時点を示します。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(3) · 乳がん(1) · 肺がん(2) · 膵がん(1) · 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(1) · 胃がん(1) · 肝臓がん(2) · 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
- A Foundation Model of Cancer Genotype Enables Precise Predictions of Therapeutic Response抄録(全訳)
がん診療では、遺伝子配列解析がすでに日常的に行われている。しかし、腫瘍がもつ複雑な変異のプロファイルを、実際に使える治療方針に結びつけることは、まだ中心的な課題である。
MutationProjector は、30,000 を超える腫瘍のゲノム変化を集めた大規模データで事前学習したモデルである。豊富な分子知識も組み込んである。
このモデルが出力する射影を見ると、腫瘍で変化している分子経路が分かる。そのため、モデルの判断を解釈しやすい。学習から外しておいた変異も正確に再構成できた。この結果は、モデルの汎化性能を示している。
複数のがん種とコホートで、免疫療法や化学療法への耐性を予測した。いずれの状況でも、MutationProjector は最先端(state-of-the-art)の性能に並ぶか、それを上回った。
予想外のバイオマーカーも見つかった。免疫療法への感受性では KMT2D 変異が、免疫療法への耐性では SMARCA4 と STK11 の同時変化が挙がった。
以上の結果から、腫瘍の遺伝子型を生物学的機序と治療成績に結びつける統一的な枠組みが確立された。
【意義】本研究は、3万を超える腫瘍で事前学習した腫瘍ゲノムの基盤モデル MutationProjector を示す。これは、30,000 を超える腫瘍で事前学習した腫瘍ゲノムの基盤モデルである。このモデルは診断と治療のために、変異を生物学的な状態に対応づける。治療耐性の予測では最先端の性能を達成した。例えば KMT2D 変異(免疫療法への感受性)や SMARCA4 と STK11 の同時変化(免疫療法への耐性)など、予想外のバイオマーカーも同定した。
掲載誌の IF 相当:7.7(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:Kong J, Lee I, Boecher D, Singhal A, Kelly MR, Moon J, et al. A Foundation Model of Cancer Genotype Enables Precise Predictions of Therapeutic Response. Cancer Discov. 2026 May 26;16(10):2021-36. doi:10.1158/2159-8290.cd-25-1735. PMID: 42188872; PMCID: PMC13367315.確認の範囲:抄録のみ確認 - Deep learning-based large-scale pan-cancer multiple biomarkers prediction using RIDGE with pathological images抄録(全訳)
背景:現在の分子プロファイリング検査は、主にゲノム解析やトランスクリプトーム解析に頼っている。そのため、結果が出るまでに時間がかかり、費用も高い。この包括的な汎がん研究では、深層学習(DL)を使った手法の開発を目指した。ヘマトキシリン・エオジン(H&E)染色の全スライド画像(WSI)から、多数のバイオマーカーを直接予測する手法である。本研究は、H&E 染色の WSI から大規模なバイオマーカーを直接予測する、汎用的で弱教師ありの、臨床的に解釈できる深層学習の手法の開発を目的とした。
方法:深層学習を使った人工知能(AI)システム RIDGE(Rapid and Intelligent Detector for Genetic Estimation)を作った。RIDGE は、アノテーション(注釈付け)のない WSI から遺伝子発現シグネチャーと標準的なバイオマーカーを自動で予測する。開発と検証には The Cancer Genome Atlas(TCGA)のデータを使った。対象は 12 種の固形がんで、患者 4680 例・WSI 4983 枚である。さらに外部検証コホートでも実用性を確かめた。外部検証コホートは、The Clinical Proteomic Tumor Analysis Consortium(CPTAC)の大腸がん患者 105 例から得た WSI 221 枚である。この外部検証では、特にマイクロサテライト不安定性(MSI)の状態を予測した。
結果:12 種のがん全体で、RIDGE の曲線下面積(AUC)は 0.763(95% 信頼区間 0.724〜0.802)であった。外部の CPTAC コホートでは、MSI 状態の予測で AUC 0.769(95% 信頼区間 0.686〜0.841)となり、再現性を裏づける結果だった。モデルは形態的な視覚的特徴をとらえられることが分かった。これにより、遺伝子発現シグネチャーや標準的なバイオマーカーを WSI から直接検出しやすくなった。
結論:これらの結果から、RIDGE でがんのスクリーニングや個別化治療を大幅に速められる可能性がある。RIDGE は、高い予測性能を備えた AI 支援の評価手法を提供する。この手法は、がんにおける遺伝子型と表現型の関係の解明と定量に役立つ。がん診断の分野を進める手法として有望である。 臨床試験番号
掲載誌の IF 相当:3.8(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:Xi H, Feng X, Lu Y, Li G, Zhang Y, Li J, et al. Deep learning-based large-scale pan-cancer multiple biomarkers prediction using RIDGE with pathological images. BMC Med Imaging. 2026 Sep 30 [Epub ahead of print]. doi:10.1186/s12880-026-02695-4.確認の範囲:抄録のみ確認
乳がんの治療・治験とAI
- A multimodal deep learning radiomics nomogram integrating clinicopathological features for predicting pathological complete response after neoadjuvant therapy in triple-negative breast cancer: a multicenter retrospective study抄録(全訳)
背景pCR を非侵襲的に正確に推定できれば、多職種での検討に役立つ可能性がある。しかし、MRI と超音波を組み合わせた根拠はまだ少ない。著者らは、臨床病理学的情報を組み込んだ深層学習ラジオミクス・ノモグラムを作り、外部検証を行った。また、あくまで仮定に基づく事後的な手術計画の場面で、補助としての価値の可能性を探索した。
方法:施設の倫理審査委員会の承認を得ており、同意の取得は免除された。本研究は後ろ向きの多施設診断精度研究である。対象は、生検で TNBC と確定し、NAT と手術を受けた 436 例である。内訳は、施設 1 の訓練コホート(n = 268)と内部検証コホート(n = 86)、外部検証用の協力施設 2・3 の過去症例(n = 82)である。pCR は ypT0/is ypN0 と定義した。治療前の画像は 4 種類を解析した。ダイナミック造影 MRI(DCE-MRI)、拡散強調画像(DWI)と見かけの拡散係数(ADC)マップ、T2 強調画像(T2WI)、B モード超音波である。腫瘍内部と、腫瘍周囲 5 mm のリング領域からラジオミクス特徴量を抽出し、LASSO で選んだ。DenseNet-121 で画像の種類ごとに深層特徴量を抽出し、マルチヘッド自己注意機構で融合した。年齢、腫瘍径、Ki-67、腫瘍浸潤リンパ球(TILs)、cT/N 病期、組織学的グレードを画像スコアと統合した。これをロジスティック回帰に入れ、ノモグラムを作った。パラメータと閾値は施設 1 での開発後に固定し、外部データには 1 回だけ適用した。モデルの出力は臨床では一切使っていない。特徴量の標準化と ComBat による施設間補正のパラメータも、訓練コホートで厳密に固定した。特徴量の標準化と ComBat によるハーモナイゼーションのパラメータは、訓練コホートで厳密に固定したうえで検証データに適用した。
結果:pCR は 436 例中 182 例(41.7%)で得られた。ノモグラムの受信者動作特性曲線下面積(AUC)は次のとおりである。訓練で 0.917(95% 信頼区間 0.881〜0.947)、内部検証で 0.883(同 0.814〜0.937)、外部検証で 0.856(同 0.773〜0.921)であった。外部検証の AUC は、臨床モデル(0.721)、ラジオミクスモデル(0.786)、深層学習モデル(0.819)を上回った。固定した閾値での外部検証の感度は 0.765、特異度は 0.813、正確度は 0.793 であった。較正は許容範囲であった(傾き 0.93、切片 −0.06、Brier スコア 0.16)。決定曲線解析では、閾値 0.20〜0.70 で正味の便益があった。複数の閾値で解析すると、特異度を重視した閾値(0.65)では陽性的中率が 0.85 であった。高特異度の閾値(0.65)では陽性的中率が 0.85 となり、pCR に達する確度が非常に高い一部の患者を見分けられる可能性がある。外部検証では、臨床モデルに比べて再分類が改善した(連続的純再分類改善度[NRI]0.34、P = 0.003;統合識別改善度[IDI]0.11、P = 0.008)。 結論そのなかで本ノモグラムは、NAT 後の pCR 予測で後ろ向きに良好な精度を示した。このモデルは、pCR 予測と術前の層別化を補助するものとして示しており、手術判断を直接支えるものではない。手術方針の決定を直接支えるものではない。実用化の前に、前向きの検証と臨床的な影響を調べる研究が必要である。
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:Qi C. A multimodal deep learning radiomics nomogram integrating clinicopathological features for predicting pathological complete response after neoadjuvant therapy in triple-negative breast cancer: a multicenter retrospective study. Front Oncol. 2026 Oct 2;16:1893983. doi:10.3389/fonc.2026.1893983.確認の範囲:抄録のみ確認
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
膵がんの治療・治験とAI
- Explainable pathomics and multi-omics define PDAC innervation subtypes linked to neuron–tumor crosstalk and immunotherapy response抄録(全訳)
膵管腺がん(PDAC)の進行は、神経による制御と、免疫微小環境の不均衡によって促される。しかし、神経–腫瘍相互作用の分子機序と臨床的意義はまだ分かっていない。本研究では、シングルセル・トランスクリプトームと空間トランスクリプトームのデータを統合し、PDAC の神経–腫瘍相互作用を調べた。そのうえで、患者を 5 つの神経支配サブタイプに分類した。次に、予後、免疫微小環境、ゲノム不安定性がサブタイプ間でどう違うかを評価した。並行して、病理画像に基づいてサブタイプを予測する機械学習モデルを作り、外部検証した。最後に、鍵となるサブタイプ遺伝子の役割を機能実験で調べた。
シングルセル解析では、NEFM 陽性ニューロンと PDAC 細胞の間で、推定されたリガンド–受容体相互作用が目立っていた。この推定された相互作用軸から、予後と関連する受容体–リガンドの組を得た。この組に基づき、PDAC 患者を 5 つの神経支配サブタイプに分けた。予後、免疫微小環境、ゲノム不安定性は、サブタイプ間で段階的に異なっていた。病理組織学的特徴を統合して多クラス分類モデルを作り、最適化した。このモデルは XY3-PDAC コホートで外部検証した。モデルは神経支配サブタイプと生存を良好な性能で予測し、重要な形態学的特徴も示した。これにより臨床での解釈がしやすくなり、PDAC の精密な層別化にもつながる。
NICS サブタイプの鍵遺伝子として PTK7 を特定した。PTK7 をノックアウトすると、PDAC 細胞の増殖と遊走が低下した。マウスでも腫瘍増殖が抑えられた。シングルセルの免疫療法データと多重免疫蛍光染色でも、PTK7 の発現は M2 マクロファージの浸潤が多く、CD8 陽性 T 細胞の浸潤が少ないことと関連した。このことから、PTK7 は免疫療法への抵抗性に関わる可能性がある。
本研究で、神経による PDAC 制御の分子的な全体像を描いた。あわせて、受容体–リガンドに基づく新しい分類の枠組みを作った。この枠組みは、PDAC 患者の予後予測と治療選択の指針に使うためのものである。
掲載誌の IF 相当:4.0(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:Ma J, Xiang W, Yan A, Yang Y, Liu Y, Wang L, et al. Explainable pathomics and multi-omics define PDAC innervation subtypes linked to neuron–tumor crosstalk and immunotherapy response. Biol Direct. 2026 Sep 30 [Epub ahead of print]. doi:10.1186/s13062-026-00995-x.確認の範囲:抄録のみ確認
前立腺がんの治療・治験とAI
- An artificial intelligence algorithm characterizes the deterioration of body composition from systemic therapy for patients with advanced prostate cancer.抄録(全訳)
骨格筋は機能状態を大きく左右する。進行前立腺がん(aPC)の全身療法が体組成に与える影響は分かっていない。対象は、PET-CT を繰り返し受けた aPC 患者である。患者は、アンドロゲン除去療法(ADT)、アンドロゲン受容体経路阻害薬(ARPI)、化学療法、ルテチウム 177(Lutetium-177)のいずれか一つ以上を受けていた。PET-CT 画像から、体組成の変化を人工知能アルゴリズムで定量した。治療の種類ごとの体組成の経時変化は、線形混合効果モデルで調べた。このアルゴリズムで、468 例から得た PET-CT 2,342 件を解析した。多変量解析では、ADT は筋密度の 9% 低下(−1.91 ハウンスフィールド単位)と関連していた。ARPI は、筋密度のさらに 6%(−1.4 ハウンスフィールド単位)の低下と関連した。その後のルテチウム 177 は、筋密度のさらに 6%(−1.3 ハウンスフィールド単位)の低下と関連した。全身療法の段階が進むにつれて、筋密度は徐々に低下していた。aPC 患者の体組成を縦断的に調べた大規模な解析である。この大規模な縦断解析は、全身療法を受ける aPC 患者のうち筋消耗のリスクがある者を、PET-CT の自動解析アルゴリズムで見つけることを支持する。
掲載誌の IF 相当:4.5(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:Shi C, Wei N, Martinez GM, O’Byrne J, Weston A, Grossardt B, et al. An artificial intelligence algorithm characterizes the deterioration of body composition from systemic therapy for patients with advanced prostate cancer. JNCI: Journal of the National Cancer Institute. 2026 Oct 1 [Epub ahead of print]. doi:10.1093/jnci/djag349.確認の範囲:抄録のみ確認 - Development and Validation of a Multimodal Artificial Intelligence–derived Digital Pathology–based Biomarker Predicting Metastasis Among Patients with Biochemical Recurrence After Radical Prostatectomy in NRG/RTOG Trials抄録(全訳)
前立腺組織の画像と臨床データを組み合わせたマルチモーダル人工知能バイオマーカーを用いた。前立腺全摘除術後に救済放射線療法を受けた患者で、このバイオマーカーは長期転帰を予測した。このモデルでリスクを層別化できた。生化学的再発後のホルモン療法の判断を個別化するのに役立つ可能性がある。
掲載誌の IF 相当:1.5(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:Morgan TM, Ren Y, Tang S, Zwerink W, Chen E, Mitani A, et al. Development and Validation of a Multimodal Artificial Intelligence–derived Digital Pathology–based Biomarker Predicting Metastasis Among Patients with Biochemical Recurrence After Radical Prostatectomy in NRG/RTOG Trials. Eur Urol. 2025 Dec [Epub ahead of print]. doi:10.1016/j.eururo.2025.12.007. PMID: 41436315; PMCID: PMC12774449.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、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、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、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
- Multiparametric MRI-based habitat radiomics integrated with a vision transformer for preoperative prediction of p53 status in endometrial cancer抄録(全訳)
本研究の目的は二つある。一つは、子宮体がん(EC)のp53状態を術前に予測する融合モデルを開発することである。このモデルは、マルチパラメトリックMRIのハビタット・ラジオミクスとVision Transformer(ViT)を統合する。もう一つは、このモデルに予後との関連があるかを探ることである。
3施設の子宮体がん患者1,230例を後ろ向きに解析した。患者は、訓練コホート(n = 447)、内部検証コホート(n = 192)、二つの外部検証コホート(n = 246、345)に割り付けた。腫瘍領域とハビタット領域からラジオミクス特徴量を抽出した。深層学習(DL)特徴量はViTモデルで抽出した。臨床・ラジオミクス・ハビタット・ViT・融合の各モデルは、サポートベクターマシンのアルゴリズムで構築した。解釈性は、SHapley Additive Explanations(SHAP)解析で高めた。さらに、無増悪生存期間(PFS)に対する予後予測の価値を評価した。
p53異常(p53abn)の免疫表現型は232例(18.9%)で認められた。p53abnの臨床予測因子として、最大腫瘍径と組織学的グレードが選ばれた。ハビタットモデルの曲線下面積(AUC)は、検証コホートで0.770〜0.802だった。この値はラジオミクスモデルを上回った。最も性能が高かったのは融合モデルである。融合モデルは、ハビタット・ラジオミクス特徴量とDL特徴量に臨床予測因子を統合したものである。AUCは内部検証コホートで0.881、二つの外部検証コホートで0.869と0.904だった。SHAP解析では、ハビタット特徴量とDL特徴量がp53abn子宮体がんの予測に大きく寄与していることが示された。探索的な生存解析では、融合モデルが予測したp53状態は無増悪生存期間(PFS)と独立して関連していた。融合モデルは、子宮体がんのp53状態を術前に評価する際の補完的な画像ツールとなり得る。
掲載誌の IF 相当:5.3(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:Lin G, Chen W, Yang D, Xu L, Cao J, Xia S, et al. Multiparametric MRI-based habitat radiomics integrated with a vision transformer for preoperative prediction of p53 status in endometrial cancer. Cancer Imaging. 2026 Oct 1 [Epub ahead of print]. doi:10.1186/s40644-026-01133-6.確認の範囲:抄録のみ確認
胃がんの治療・治験とAI
- LMRNet: a biopsy-derived deep learning model for predicting lymph node metastasis in early gastric cancer with pathological interpretability抄録(全訳)
早期胃がん(EGC)は通常、予後が良い。リンパ節転移(LNM)がなければ、局所切除で根治できる患者も多い。そのため、胃周囲のLNMを術前に確実に評価することが、個別の治療方針を決めるうえで欠かせない。本研究の目的は、生検スライドから早期胃がんのLNMを正確に予測する深層学習モデルを作ることである。あわせて、モデルの予測の背景にある病理学的特徴と微小環境の特徴を調べることも目的とした。
対象は、複数施設のT1期胃がん患者である。いずれもD2リンパ節郭清後にLNMの有無が病理学的に確定していた。ヘマトキシリン・エオジン(H&E)染色の生検スライドで深層学習モデルを訓練した。性能の高い三つのモデル(ViTamin、ConvNeXt V2、Swin Transformer V2)を統合し、アンサンブルモデルLMRNetを作った。モデルの性能は、多施設のコホートで評価した。さらに、二重のSwin Transformer分類器とHoVer-Netで、組織亜型と腫瘍微小環境(TME)の特徴を調べた。これにより、モデルの予測に関わる組織像と微小環境のパターンを解釈できるようにした。
登録患者は計660例だった。LMRNetのAUCは、内部生検コホートで0.947、外部生検コホートで0.900であり、精度は高かった。多施設の手術コホートでも性能は安定しており、AUCは0.768〜0.894だった。亜型分類器の判定は、TCGA(がんゲノムアトラス)のアノテーションとよく一致した。この分類器で、びまん型の領域がLNMリスクの高さと関連していることが分かった。TME解析では、炎症細胞の多いパッチでLNMリスクが有意に高く判定された。炎症細胞が腫瘍細胞のすぐ近くにあるパッチで、とくにその傾向があった。一方、間質細胞が腫瘍細胞と炎症細胞の間に構造的な障壁を形成する領域は、より低いリスクに割り当てられた。これらの結果から、LMRNetが特定の形態や細胞間相互作用のパターンをとらえていることが分かる。
LMRNetは、生検スライドから正確で汎化性の高いLNM予測ができる。本研究では亜型解析とTME解析を組み合わせた。その結果、早期胃がんで予測される転移リスクと関連する形態学的特徴が分かった。
掲載誌の IF 相当:8.3(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:Lin Q, Liu Y, He J, Ruan R, Guan T, Zhang Z, et al. LMRNet: a biopsy-derived deep learning model for predicting lymph node metastasis in early gastric cancer with pathological interpretability. J Transl Med. 2026 Oct 1 [Epub ahead of print]. doi:10.1186/s12967-026-08966-6.確認の範囲:抄録のみ確認
肝臓がんの治療・治験とAI
- HepaKineticNet: Deep Learning of CT-Derived Intratumoral Heterogeneity for Overall Survival Prediction in BCLC Stage B-C Hepatocellular Carcinoma Treated with Locoregional Therapy Plus First-Line TKI and Anti–PD-1 Therapy抄録(全訳)
目的:多相造影CT(CECT)の相間の動態変化をモデル化し、腫瘍内不均一性(ITH)マップを作る深層学習の枠組みHepaKineticNetを開発すること。HepaKineticNetは、多相造影CT(CECT)で相の間の動態変化をモデル化し、腫瘍内不均一性(ITH)マップを作る深層学習の枠組みである。対象は、BCLC(バルセロナ臨床肝がん)病期分類B〜C期の肝細胞がん(HCC)とした。これらの患者は、局所療法に一次治療のチロシンキナーゼ阻害薬(TKI)と抗PD-1薬を併用していた。さらに、局所療法に一次治療のTKIと抗PD-1薬を併用したBCLC B〜C期肝細胞がん(HCC)で、臨床・ラジオミクス融合モデルが全生存期間(OS)の予測を改善するかを、独立した外部コホートで評価すること。 対象と方法:2施設の後ろ向き研究である。HepaKineticNetは一方の施設の359例(訓練231例、検証128例)で開発した。もう一方の施設の95例を独立した外部テストコホートとし、評価に用いた。HepaKineticNetは、nnU-Netを骨格とし、Spatial Kinetic Differential Attentionモジュールを組み込んでいる。動脈相のウォッシュインと遅延相のウォッシュアウトの動態を、別々に符号化する。学習には、多重スケールの変動係数を用いた自己教師あり学習を取り入れた。ラジオミクス特徴量10個は階層的フィルタリングで選んだ。臨床変数3個は、LASSO罰則付きCox回帰(10分割交差検証)で選んだ。これらを用いて、臨床・ラジオミクス・融合の各Coxモデルを構築した。
結果:死亡は計277例で、うち128例は開発コホートだった。背景因子に偏りはなかった(すべて P > 0.05)。外部テストコホートで、融合モデルのC指数は0.713であり、臨床モデルの0.651を上回った(P = 0.012)。融合モデルの時間依存性AUCは、1年で0.760(95% 信頼区間 0.651〜0.864)、2年で0.838(95% 信頼区間 0.736〜0.930)、3年で0.909(95% 信頼区間 0.686〜1.000)だった。臨床モデルでは、それぞれ0.676、0.742、0.772だった。Kaplan–Meier解析では、OSの中央値は高リスク群で9.5か月、低リスク群で19.0か月だった。高リスク群のハザード比は 3.02(95% 信頼区間 1.86〜4.91、P < 0.001)だった。事前に規定した10のサブグループのいずれでも、識別能は一貫していた。
結論:HepaKineticNetから得たITHマップは、動態と空間の情報を符号化している。この情報により、併用療法を受けたこのHCC集団では、個別のOS予測とリスク層別化がわずかに改善した。前向きの検証が必要ではあるが、非侵襲的な意思決定支援の補助手段となり得る。 キーワード:ラジオミクス、予後、予後予測モデル、リスク層別化、畳み込みニューラルネットワーク、免疫療法、チロシンキナーゼ阻害薬、局所療法、生存解析
掲載誌の IF 相当:2.9(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:Li J, Bu W, Hanming X, Zhang Q, Song J, Chen W. HepaKineticNet: Deep Learning of CT-Derived Intratumoral Heterogeneity for Overall Survival Prediction in BCLC Stage B-C Hepatocellular Carcinoma Treated with Locoregional Therapy Plus First-Line TKI and Anti–PD-1 Therapy. JHC. 2026 Oct;Volume 13:1-15. doi:10.2147/jhc.s636207.確認の範囲:抄録のみ確認 - Pretreatment arterial-phase CT-based prediction of time to progression after transarterial chemoembolization in hepatocellular carcinoma: a multicenter study抄録(全訳)
切除不能な肝細胞がん(HCC)には、肝動脈化学塞栓療法(TACE)が広く使われている。しかし、臨床転帰には大きなばらつきがある。早期に進行するリスクが高い患者を治療前に見分ける手段も、まだ限られている。本研究の目的は、TACE後の無増悪期間(TTP)を予測するCT・臨床統合モデルを開発し、外部で検証することである。
多施設の後ろ向き研究で、3つのコホートの508例を対象とした。公開データセットのWAW-TACE(n = 226)はモデル開発に用いた。このデータセットは、訓練コホート(n = 158)と内部検証コホート(n = 68)に分けた。研究施設の2つのコホート、コホートA(n = 252)とコホートB(n = 30)は、独立した外部検証に用いた。適格としたのは、未治療の切除不能HCCで、初回治療として従来型TACEを受けた患者である。条件には、肝機能が保たれていることも含めた。肝外転移と主要血管浸潤がなく、治療前の造影CTが利用できることも条件とした。臨床変数、ラジオミクス特徴量、動脈相CTから得た2.5Dの深層学習特徴量を統合した。これにより、無増悪期間予測ネットワーク(TTP-Net)を構築した。
比較したモデルのうち、観察された性能が最も高かったのはTTP-Netだった。C指数は、訓練コホートで0.719、内部検証コホートで0.723だった。外部コホートAでは0.713、外部コホートBでは0.707だった。12か月時点のAUCは、それぞれ0.872、0.862、0.816、0.832だった。Kaplan–Meier解析では、4つのコホートのすべてで高リスク群と低リスク群が有意に分かれた。12か月時点の決定曲線解析も、臨床的に役立つ可能性を支持した。
治療前の動脈相CTから得た画像特徴量と臨床変数を統合すると、初回TACE後に早期進行のリスクが高いHCC患者を特定できた。この結果は、TACE後の経過観察の個別化と、治療方針の適時な見直しを支える。
掲載誌の IF 相当:5.3(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:Wang L, Xia C, Peng Z, Zhao X, Wang Y, Wu Z, et al. Pretreatment arterial-phase CT-based prediction of time to progression after transarterial chemoembolization in hepatocellular carcinoma: a multicenter study. Cancer Imaging. 2026 Sep 30 [Epub ahead of print]. doi:10.1186/s40644-026-01136-3.確認の範囲:抄録のみ確認
腎臓がんの治療・治験とAI
この号では、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、新しい該当論文はありませんでした。