AIとがん研究 ── 2026-10-04
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（0） · 乳がん（0） · 肺がん（0） · 膵がん（0） · 前立腺がん（1） · 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（1） · 膀胱がん（0）
がん一般の分子生物学の進展とAI
この号では、新しい該当論文はありませんでした。
乳がんの治療・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。
肺がんの治療・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。
膵がんの治療・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。
前立腺がんの治療・治験とAI
- Interpretable machine learning identifies health system levers for survival outcomes of patients with prostate cancer.抄録（全訳）
背景：前立腺がんの診療は、早期から進行期までのどの段階でも進歩してきた。その結果、ここ数十年で生存は大きく改善した。しかし世界的にみると、生存率、診断時の病期、適時の診断・治療を受けられるかどうかに大きな格差が残っている。この格差は、あらゆる悪性腫瘍のなかでも最大級である。本研究は、前立腺がんの死亡罹患比（MIR）と関連する国レベルの医療制度の要因を定量化することを目的とした。
方法：解析には解釈可能な機械学習を用い、CatBoost と SHAP（SHapley Additive exPlanations）を組み合わせた。対象は、GLOBOCAN 2022 に前立腺がん MIR の推定値がある全 185 か国である。185 か国の年齢調整 MIR 推定値を、11 の医療制度指標と突き合わせた。指標は、世界保健機関（WHO）の Global Health Observatory、世界銀行の World Development Indicators、国連諸機関、Directory of Radiotherapy Centres から得た。モデルの性能は、1 か国ずつ除く交差検証（leave-one-country-out）を繰り返して評価した。不確実性はブートストラップ法で推定した。CatBoost は予測因子の欠測値をそのまま扱える。このため、補完をせずに全か国を解析に含められた。
結果：モデルは前立腺がん MIR を高い精度で予測した（決定係数 R² = 0.80、二乗平均平方根誤差（RMSE）= 0.078、平均絶対誤差（MAE）= 0.060、Pearson 相関係数 = 0.89）。MIR の低さと最も強く関連した医療制度の特徴は、次の三つであった。1 人当たり国内総生産（GDP）、ユニバーサル・ヘルス・カバレッジ（UHC）サービスカバー率指数、放射線治療の設備・体制である。国ごとに SHAP で分解すると、各特徴の寄与は国によって異なっていた。ここから、それぞれの状況に応じた優先課題が特定された。放射線治療の能力が大きいほど、また UHC が包括的なほど、MIR は一貫して低かった。一方、保健医療支出の総額が高いことだけでは、転帰の改善との関連は弱かった。
結論：解釈可能な機械学習により、各国の前立腺がんの MIR が低いことと最も一貫して関連する医療制度の特徴が示された。それは、放射線治療の基盤、ユニバーサル・ヘルス・カバレッジ、国の豊かさである。前立腺がんの成績にとっては、保健医療支出の総額を増やすだけでは十分でない可能性がある。治療能力とサービスのカバー範囲に的を絞った投資のほうが、より重要である可能性が示唆される。本研究は生態学的研究であり、仮説を生み出す段階のものである。それでもこの枠組みは、今後の医療制度研究や前向き評価、世界の前立腺がん対策に役立つ可能性がある。
掲載誌の IF 相当：5.8（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-04 に取得。正式な IF（Clarivate）ではない）書誌：Patel MS, Janopaul-Naylor J, Ting FIL, Wu JF, McBride SM, Rathkopf DE, et al. Interpretable machine learning identifies health system levers for survival outcomes of patients with prostate cancer. Prostate Cancer Prostatic Dis. 2026 Oct 2 [Epub ahead of print]. doi:10.1038/s41391-026-01156-x. PMID: 42827104.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
この号では、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、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、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
- Radiomic model versus R.E.N.A.L. nephrometry score for predicting the likelihood of undergoing partial nephrectomy in clear cell renal cell carcinoma.抄録（全訳）
目的：淡明細胞型腎細胞がん（ccRCC）で腎部分切除（PN）が行われるかを予測する CT ベースのラジオミクスモデルを作成し、R.E.N.A.L. Nephrometry Score（RNS）と比較する。さらに、このモデルを R.E.N.A.L. ネフロメトリースコア（RNS）と比較する。
方法：後ろ向き研究である。PN または根治的腎摘除を受けた ccRCC 患者 413 例を対象とした。RNS は術前 CT から算出した。ラジオミクス特徴量は、皮髄相の CT から抽出した。再現性は級内相関係数（ICC）で評価した。特徴量の選択と Rad-score の作成には LASSO 回帰を用いた。RNS の合計点と Rad-score をもとに、多変量ロジスティック回帰モデルを作った。性能は、ROC 曲線下面積（AUC）、キャリブレーション、決定曲線分析で評価した。
結果：抽出した特徴量は 1210 個であった（general_info の項目を除いた数）。このうち 851 個は、再現性が良好〜優秀であった（ICC > 0.75）。ラジオミクスモデルでは 6 個の特徴量が選ばれた。内部検証コホートでの AUC は 0.886（95% 信頼区間 0.81〜0.91）であった。これは RNS モデルの AUC 0.793（95% 信頼区間 0.72〜0.85）を有意に上回った（DeLong 検定、P = 0.015）。ラジオミクスモデルは、キャリブレーションも良かった（Brier スコア 0.11 対 0.16）。臨床上の正味の利益も大きかった。SHAP（SHapley Additive exPlanations）解析では、腫瘍の大きさとテクスチャの不均一性が最も強い予測因子であった。
結論：術前に PN となる可能性を予測する精度は、CT に基づくラジオミクスモデルのほうが RNS より高い。このモデルは、手術方針の決定を支え、治療計画を個別化する大きな可能性をもつ。日常診療に取り入れる前に、多施設での前向き検証が必要である。
掲載誌の IF 相当：1.3（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-04 に取得。正式な IF（Clarivate）ではない）書誌：Liu Fd, Yu Hl, Wang Dj, Ju Xb, Yang Yh. Radiomic model versus R.E.N.A.L. nephrometry score for predicting the likelihood of undergoing partial nephrectomy in clear cell renal cell carcinoma. Front Urol. 2026 Sep 18;6:1928982. doi:10.3389/fruro.2026.1928982. PMID: 42827468.確認の範囲：抄録のみ確認
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。