AIとがん研究 ── 乳がん ── 2026-10-05
乳がんの治療・治験とAI
- A dual-tower multimodal framework with feature quality enhancement for predicting pathological complete response after neoadjuvant chemotherapy in breast cancer: a multicenter study抄録（全訳）
背景：病理学的完全奏効（pCR）は、乳がんの術前化学療法（NAC）後の重要な評価項目である。治療方針の変更や、手術の縮小の判断に役立つ可能性がある。ただし、予測モデルを別の施設に当てはめると性能を保ちにくい。撮像条件や患者集団が多様であるため、施設間での汎化性の限界が依然として大きな課題である。理由は、施設ごとに撮像条件（装置メーカー、磁場強度、撮像パラメータ）が異なり、患者集団も多様なことにある。これがドメインシフトとなり、モデルの性能に大きな差を生みうる。この研究では、術前化学療法の後、手術の前に pCR を予測するマルチモーダル枠組みを開発し、外部検証した。入力には、マルチパラメトリック MRI（mpMRI）と日常診療で得られる臨床データを使った。
方法：多施設の後ろ向き研究で、5 施設の患者 1291 人を登録した。施設単位で、2 施設を統合した開発コホートと、単一施設の独立した 3 つの外部検証コホートに分けた。開発コホートは 2 施設をまとめたもの（n=683）である。外部検証コホートは、単施設ずつの独立した 3 つのコホート（n=608）である。 モデルの入力は次の 4 種類である。第一に、治療後の mpMRI（ダイナミック造影画像と拡散強調画像）から抽出した深層特徴である。第二に、臨床病理学的変数である。第三に、治療前と治療後の画像それぞれのラジオミクス特徴である。第四に、デルタラジオミクス特徴である。これは同じ撮像系列内の経時変化（Δ = 治療後 − 治療前）をとらえる。 識別に役立つ画像表現を学習するため、デュアルタワー型の注意ネットワークを設計した。このネットワークには特徴品質強化（FQE）モジュールを組み込んだ。FQE は潜在空間を正則化する。具体的には、同じクラス内の特徴をまとめ、クラス間を引き離し、特徴の一貫性を高める。次に、深層特徴・ラジオミクス特徴・臨床特徴を、階層的な特徴選択で統合した。頑健性は、実験を繰り返して評価した。予測性能は、受信者動作特性曲線下面積（AUC）で評価した。評価は開発コホートと外部検証コホートの両方で行った。
結果：提案モデル AIFPS の AUC は、開発コホートで 0.882（95% 信頼区間 0.855〜0.905）だった。外部検証では、AIFPS の AUC は 0.853、0.888、0.895 で、数値上いずれも最も高かった。どのコホートでも、単一モダリティのモデルすべてに対して統計学的に有意な改善を示した。一部の 2 モダリティのモデルに対しては、多重比較の補正後に優越性が統計学的有意に達しなかった。それでも、すべてのモダリティを使う手法は、一貫して数値上最も高い識別能を示した。
結論：AIFPS は、品質を強化した画像の深層特徴、ラジオミクス（デルタラジオミクスを含む）、臨床病理学的変数を統合する。これにより、病理学的完全奏効を手術前に正確に予測でき、別の施設にも当てはめやすい。とくに HER2 陽性のがんで、この傾向が顕著である。トリプルネガティブとルミナルのサブタイプでは、さらに検証が必要である。ルミナル乳がんに用いるには、このサブタイプに特化したモデルを別に作る必要がある。前向きの検証を経れば、この手法は術前化学療法後に治療を個別に層別化する助けになりうる。
掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Ke Y, Yang W, Yang Z, Yue J, Li C, Yuan P, et al. A dual-tower multimodal framework with feature quality enhancement for predicting pathological complete response after neoadjuvant chemotherapy in breast cancer: a multicenter study. Transl Oncol. 2026 Nov;73:103060. doi:10.1016/j.tranon.2026.103060. PMID: 42822322.確認の範囲：抄録のみ確認 - Explainable machine learning and hybrid transformer-based proteochemometric modelling for breast cancer molecular subtyping and multi-target natural product discovery抄録（全訳）
乳がんには 5 つの内因性分子サブタイプがある。サブタイプごとに、転写プログラム、予後、治療上の弱点が異なる。しかし、サブタイプを正確に見分けるのはまだ難しい。サブタイプ同士の境界が重なり、コホートが変わると性能が落ちやすいためである。また、単一の標的に作用する薬は、経路の冗長性や獲得耐性のために効かないことが多い。
この研究では、転写産物による分類、説明可能な標的の優先順位づけ、複数標的に働く天然物の探索をつなぐ計算の枠組みを開発した。3 つのトランスクリプトーム・コホート（METABRIC-BRCA-2016、TCGA-BRCA-2012、TCGA-BRCA-2018）を統合した。品質管理と ComBat 補正の後の症例数は 2512 例である。発現変動解析と、主成分分析（PCA）にもとづく特徴選択から、50 遺伝子のシグネチャーを得た。このシグネチャーは、サブタイプに関連する分散の 90% 超を保っていた。
評価した 6 つの分類器のうち、XGBoost の性能が最も高かった。XGBoost は、独立した 3,409 サンプルのコホートでも性能を保った。正解率は 85.70%、受信者動作特性曲線下面積（ROC-AUC）は 0.95〜0.99 だった。SHAP 解析で、Basal-like と HER2-enriched のサブタイプに関連する候補遺伝子を 30 個特定した。これらを ChEMBL と照合し、プロテオケモメトリクス（PCM）モデリングの標的として 11 個を残した。
ProtBERT と ChemBERTa の埋め込みに、分子フィンガープリントと化学記述子を統合したハイブリッド PCM 多層パーセプトロンは、バランス精度 0.9140、平均 ROC-AUC 0.9696 を達成した。結合性と安全性による優先順位づけを、それぞれ独立に行った。このモデルのバランス正解率は 0.9140、ROC-AUC の平均は 0.9696 だった。NPASS の天然物 30,898 種をスクリーニングし、複数の標的に広く活性を示す（pan-active）化合物を 292 種見つけた。これらの方針はいずれも、NPC139056、NPC196231、NPC471997 の 3 つのリード化合物に収束した。その結果、どちらも同じ 3 つのリード化合物に行き着いた。これらは実験で検証する候補となる。
この再現可能なパイプラインは、臨床的に治療が難しい乳がんサブタイプについて、リード化合物を計算で優先順位づけして示す。これらは実験で検証する候補となる。
掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Jakkula BK, Perugu S. Explainable machine learning and hybrid transformer-based proteochemometric modelling for breast cancer molecular subtyping and multi-target natural product discovery. Sci Rep. 2026 Oct 2 [Epub ahead of print]. doi:10.1038/s41598-026-71603-1.確認の範囲：抄録のみ確認