AIとがん研究 ── 2026-10-05
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（2） · 乳がん（2） · 肺がん（1） · 膵がん（0） · 前立腺がん（0） · 腺様嚢胞癌（0） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（1） · 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
- Improving clinical data standardization in surgical notes through biomedical entity linking with contextual evidence from large language models抄録（全訳）
手術記録には、術後管理に欠かせない臨床情報が含まれる。しかし自由記述であり、施設ごとに書き方も異なる。そのため、標準化したデータとして表したり、二次解析に使ったりしにくい。生物医学エンティティリンキングは、さまざまな臨床表現を SNOMED-CT などの標準オントロジーに対応づける技術である。これは意味の相互運用性を支える。ただし既存の手法の多くは、固有表現抽出（NER）であらかじめ切り出した言及範囲を前提とする。この切り出しには手間がかかり、誤りが入り込むこともある。
ソウル大学病院の胃がん手術記録 9,051 件を解析した。オープンソースの大規模言語モデル（LLM）である LLaMA-3.1-8B を使う枠組みを開発した。LLM は、文脈上関連するテキストの部分を見つける。この部分を「根拠スパン（evidence span）」と呼び、オントロジーへのエンティティリンキングの手がかりとする。根拠スパンには明示的に印を付け、SapBERT のファインチューニングに使った。SapBERT は、埋め込み表現にもとづく事前学習済みの生物医学エンコーダーである。複数の入力形式を、従来のパイプラインや LLM を使う手法と比べた。LLM を使う手法には、文脈内学習（in-context learning）と再順位付け（re-ranking）が含まれる。
根拠スパンを加えると、どの指標でもエンティティリンキングの性能が上がった。生のテキストを入力した場合と比べ、Recall@1 は +2.7、上位 3 件での平均適合率の平均（mAP@3）は +2.2 改善した。根拠を手がかりにしたモデルは、ほかの LLM ベースの手法より性能が高かった。根拠マーカーのトークンをプーリング表現として使うと、さらに改善した。注意の解析では、根拠スパンを明示すると、モデルがオントロジーに関連する文脈への注目を強め、無関係なテキストへの注目を弱めることが示された。根拠スパンに明示的な印を付けると、モデルはオントロジーに関係する文脈へより強く注目した。一方、無関係なテキストへの注目は減った。
LLM で得た文脈上の根拠を使うと、生物医学エンティティリンキングの性能が上がる。その結果、臨床テキストをオントロジーにもとづいてより適切に表現できる。この手法は、構造化されていない手術記録を標準化する実用的な方法になる。実際の医療現場で、臨床データの二次利用の信頼性を高める助けにもなる。より広くみると、この枠組みは構造化されていない臨床テキストを標準オントロジーに対応づけることを支える。これは意味の相互運用性に寄与し、その後の臨床データの二次利用を可能にする。
掲載誌の IF 相当：6.6（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：Shin C, Eom D, You H, Kim K, Kim S, Yoon HJ. Improving clinical data standardization in surgical notes through biomedical entity linking with contextual evidence from large language models. BMC Med Inform Decis Mak. 2026 Oct 3 [Epub ahead of print]. doi:10.1186/s12911-026-03877-4.確認の範囲：抄録のみ確認 - An explainable vision transformer approach for automated neurological disorder classification from brain MRI scans抄録（全訳）
アルツハイマー病（AD）、多発性硬化症（MS）、脳腫瘍を手遅れになる前に診断するには、いまも脳 MRI に大きく頼っている。その脳 MRI の読影は放射線科医に頼るが、放射線科医はほぼどこでも不足している。畳み込みニューラルネットワーク（CNN）は、この問題で実際に成果を上げてきた。ただし、1 回の畳み込みで見えるのは画像の小さな範囲だけである。そのため、畳み込みだけのモデルでは、脳の広い範囲に散らばる病変をうまく結びつけにくい。
この研究は、この限界に二つの方向から同時に取り組んだ。一つは、確立された CNN のバックボーンを同じ手順で比べる対照比較である。もう一つは、そのうちの一つに軽量な注意機構を組み込むことである。
8 クラスの Multi-Class Neurological Disorder（MCND）データセット全体を分類した。8 クラスの内訳は、AD の MildDemented・ModerateDemented・VeryMildDemented、多発性硬化症、正常、脳腫瘍の 3 亜型である。3 亜型は、神経膠腫（glioma）、髄膜腫（meningioma）、下垂体腫瘍（pituitary）である。MRI 画像は 9,564 枚で、80:20 に分けた。学習用は 7,651 枚、テスト用は 1,913 枚である。
確立された CNN 4 種（VGG-16、ResNet-50、DenseNet121、EfficientNet-B0）を、共通の手順でファインチューニングした。これらを対照のベースラインとした。次に VGG-16 + CBAM を作った。VGG16 のバックボーンに、Convolutional Block Attention Module（CBAM）を組み込んだモデルである。VGG-16 本来の全結合層は、はるかに小さい分類ヘッドに置き換えた。学習は 15 エポックとし、最適化手法とデータ拡張の設定はベースラインと同じにした。
取り分けておいたテストセットでの成績は次のとおりである。正解率 98.90%、重み付き F1 スコア 0.9890、マクロ F1 0.9893 だった。マクロ平均の受信者動作特性曲線下面積（AUC-ROC）は 0.9997、マシューズ相関係数（MCC）は 0.9874 だった。この成績は、4 種のベースライン（正解率 98.12%〜98.85%）をすべて上回った。パラメータ数は 1,488 万で、VGG-16 の 1 億 3,429 万のおよそ 9% にとどまる。モデルサイズは 56.8 MB である。
各ベースラインについて、パラメータ数、モデルサイズ、FLOPs、GPU での推論時間、学習時間も報告した。精度の向上を、精度だけでなく実際の計算コストと照らして評価できるようにするためである。
8 クラスすべての Grad-CAM マップで、モデルは解剖学的に妥当な領域に注目していた。AD の各段階では脳室周囲と海馬、MS では白質に注目した。Grad-CAM では、各腫瘍亜型について腫瘍の中心部にモデルが注目していた。学習した特徴を t-SNE で射影すると、8 クラスはそれぞれ明確なクラスターを作り、ほとんど重ならなかった。
全体として、結果は次のことを示唆する。注意機構を加えた小さな CNN は、この課題で大きなバックボーンと同等以上の性能を、ずっと少ないコストで出せる。しかも、臨床医が信頼するのに必要な解釈可能性を失わない。
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：Alahmadi A, Asim N, Khan MZ, Sirshar M, Aljubayri I. An explainable vision transformer approach for automated neurological disorder classification from brain MRI scans. Sci Rep. 2026 Oct 2 [Epub ahead of print]. doi:10.1038/s41598-026-71565-4.確認の範囲：抄録のみ確認
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
肺がんの治療・治験とAI
- A Spatio-Temporal Sparse Attention-Radiomics Framework for Automated Non-Small Cell Lung Cancer Detection, Histological Subtype Classification, and Stage Prediction抄録（全訳）
非小細胞肺がん（NSCLC）を組織型や病期まで含めて正確に見分けることは欠かせない。非小細胞肺がん（NSCLC）の組織型や病期まで正確に特定することは、適切な臨床判断と患者の転帰の改善に不可欠である。従来の画像診断は、主に目視による読影に頼っている。そのため、腫瘍内の微妙な不均一性を捉えきれないことがある。
この限界を補うため、CT 画像から NSCLC の検出、組織型の分類、病期の予測を自動で行う STSA-RADXGB（Spatio-Temporal Sparse Attention Radiomics Extreme Gradient Boosting）を提案する。コンピュータ断層撮影（CT）画像から、NSCLC の自動検出、組織型分類、病期予測を行う手法である。STSA-RADXGB は二種類の特徴量を組み合わせる。一つは手作業で設計したラジオミクス特徴量である。もう一つは、注意機構で誘導する畳み込みニューラルネットワークで得た深層の時空間表現である。これにより、腫瘍の構造的な特徴と時間的な特徴の両方を総合的に解析できる。
スパースな特徴量選択法を適用し、最も識別力の高い特徴量を特定する。これにより、冗長性と次元数も最小限に抑える。最適化したハイブリッド特徴量は、マルチタスク学習の枠組みで Extreme Gradient Boosting（XGB）モデルにより分類する。性能は正解率と AUROC で評価する。
結果は、従来のラジオミクスや深層学習（DL）の手法より優れた性能を示している。これは、より信頼でき解釈しやすい臨床判断を支えるものである。
掲載誌の IF 相当：2.6（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：Balekai R, Holi MS. A Spatio-Temporal Sparse Attention-Radiomics Framework for Automated Non-Small Cell Lung Cancer Detection, Histological Subtype Classification, and Stage Prediction. Eng Technol Appl Sci Res. 2026 Oct 2;16(5):39621-8. doi:10.48084/etasr.19919.確認の範囲：抄録のみ確認
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
この号では、新しい該当論文はありませんでした。
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
- ProtoSurv-X: Explainable Brain Tumor Survival Prediction抄録（全訳）
高悪性度神経膠腫の患者では、生存期間を正確に予測することが重要である。高悪性度神経膠腫の患者で生存を正確に予測することは、予後の評価と個別化した治療計画に重要である。ただし、既存の深層学習の手法には課題がある。しかし既存の深層学習には、腫瘍内の不均一性の大きさ、マルチモーダル MRI の複雑なパターン、限られた解釈性という難しさがある。
本研究は、MRI に基づく神経膠腫の生存予測のため、説明可能で不確実性を考慮した枠組み ProtoSurv-X の開発を目的とする。ProtoSurv-X は MRI に基づいて神経膠腫の生存を予測する枠組みで、説明でき、不確実性も考慮する。この枠組みは、確率的な腫瘍ハビタットのモデル化、プロトタイプ誘導学習、エビデンシャル予測、エビデンスに基づく臨床的説明を統合する。
BraTS 2019 と BraTS 2020 のデータセットから重複する被験者を除き、統合コホートを作った。対象は 369 人である。このうち 118 人は肉眼的全摘出を受けた患者で、生存の注釈がすべてそろっていた。
腫瘍の領域分割には、拡散モデルで強化した SwinUNETR を用いる。続いて確率的なハビタットを構築する。そのうえで、ラジオミクス特徴量、深層画像特徴量、ハビタット特徴量、年齢関連の特徴量を融合する。プロトタイプ学習と、生存を考慮した対照学習で、予後を表す表現を作る。エビデンシャル深層学習でリスクと予測の不確実性を推定し、並行して生存期間を連続値として回帰する。説明文の生成では、構造化したモデルの根拠を用いて、オープンソースの大規模言語モデル 7 種を比較した。さらに Meta-Llama-3.1-8B-Instruct を QLoRA でファインチューニングした。
統合した生存コホートで 5 分割交差検証を行った。ProtoSurv-X の平均絶対誤差は 145.2 ± 6.5 日、二乗平均平方根誤差（RMSE）は 189.4 ± 8.3 日であった。C 指数は 0.745 ± 0.008、統合ブライアスコアは 0.124 であった。領域分割モジュールの Dice スコアは BraTS 2019 で、腫瘍全体が 91.24%、腫瘍コアが 87.38%、造影される腫瘍が 81.76% であった。ファインチューニングした説明モデルの BERTScore は 0.915、ハルシネーション率は 2.6% であった。
これらの結果は、ProtoSurv-X が統合的な計算の枠組みであることを示す。この枠組みで、神経膠腫の予後を、正確に、不確実性を考慮し、根拠に基づいてモデル化できる。ただし、臨床での検証と多施設での検証がさらに必要である
掲載誌の IF 相当：2.0（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：Chaudhary N, Shah S, Thacker C. ProtoSurv-X: Explainable Brain Tumor Survival Prediction. jelectronelectromedicalengmedinform. 2026 Oct 3;8(4):1487-502. doi:10.35882/jeeemi.v8i4.1899.確認の範囲：抄録のみ確認 - ДИФФЕРЕНЦИАЛЬНОЕ РАЗГРАНИЧЕНИЕ ПЕРИФОКАЛЬНОГО ОТЕКА И ОПУХОЛЕВОЙ ТКАНИ НА МРТ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА抄録（全訳）
要旨
背景：脳腫瘍の周囲には、T2 強調画像や FLAIR で高信号を示す領域がある。この領域は形態学的に不均一で、血管性浮腫、反応性変化、腫瘍の浸潤を含むことがある。これらを確実に区別することは、手術、生検、放射線治療で重要である。
目的：マルチパラメトリック MRI と人工知能（AI）で、次の 4 つをどこまで区別できるかを評価する。腫瘍組織、浸潤を受けた腫瘍周囲組織、血管性浮腫、正常な脳実質である。 対象と方法：患者 160 人を対象とした。用いた画像は、T1 強調画像、造影後 T1 強調画像、T2 強調画像、FLAIR、拡散強調画像（DWI；b = 0 および 1000 s/mm²）、見かけの拡散係数（ADC）である。104 人では、動的磁化率コントラスト（DSC）灌流画像も用いた。基準となるラベル付けは 2 人の専門家が行った。比較した手法は、FLAIR のみ、専門家による評価、ADC、ラジオミクス、AI、マルチパラメトリック MRI＋AI である。
結果：ADC の平均値（ADCmean）は、腫瘍で 0.92［0.82〜1.05］、浸潤域で 1.12［1.00〜1.25］、血管性浮腫で 1.48［1.32〜1.65］×10⁻³ mm²/s であった。相対脳血液量（rCBV）は、それぞれ 3.80、2.15、1.05 であった。完全なモデルの Dice は、腫瘍で 0.90、浮腫で 0.87、浸潤で 0.78 であった。感度は 0.90、特異度は 0.88、正解率は 0.89、F1 は 0.89、AUC は 0.92 であった。
結論：MRI＋ADC±rCBV＋ラジオミクス＋AI という構想により、浸潤確率をボクセル単位で示すマップを作成できる。ただし、示した数値は独立した多施設での検証が必要である。AI は神経放射線科医を支援するものと位置づけるべきである。専門家による読影を自律的に置き換えるものではない。 キーワード：脳腫瘍；腫瘍周囲浮腫；磁気共鳴画像法；腫瘍周囲浸潤；人工知能；ラジオミクス；DWI；ADC；灌流 MRI；領域分割。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. ДИФФЕРЕНЦИАЛЬНОЕ РАЗГРАНИЧЕНИЕ ПЕРИФОКАЛЬНОГО ОТЕКА И ОПУХОЛЕВОЙ ТКАНИ НА МРТ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23094537.確認の範囲：抄録のみ確認
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
- MAVEN: an automated multimodal framework for predicting VETC and early recurrence in HCC抄録（全訳）
肝細胞がん（HCC）では、悪性度の高い腫瘍の表現型を正確に見分けることが、まだ大きな課題である。著者らは MAVEN（Multimodal Automated VETC Estimation Network）を開発し、検証した。MAVEN は完全に自動化したマルチモーダルの深層学習システムである。磁気共鳴画像（MRI）、病理組織の全スライド画像（WSI）、臨床変数を統合する。これにより、腫瘍胞巣を取り囲む血管（VETC）と早期再発のリスクを予測する。
この多施設研究の対象は、5 施設の患者 1928 人である。MAVEN は、単一モダリティや 2 モダリティのモデルより優れた性能を示した。曲線下面積（AUC）は、内部テストコホートで 0.932、独立した 4 つの外部コホートで 0.879〜0.891 であった。MAVEN によるリスク層別化は、すべてのコホートで早期の無再発生存と有意に関連した。
モデルの説明可能性を解析すると、放射線画像と病理組織の特徴がともに予測に寄与し、高リスク領域の空間的な位置も一貫していた。高リスク領域の空間的な位置も一貫していた。
これらの結果は、マルチモーダルの統合により、腫瘍の悪性度を頑健かつ汎用的に予測できることを示唆する。また、術後のリスク層別化も頑健かつ汎用的に行える。
掲載誌の IF 相当：8.9（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：Liu W, Shen Z, Yang L, Zou W, Zhu Y, Li Y, et al. MAVEN: an automated multimodal framework for predicting VETC and early recurrence in HCC. npj Precis Onc. 2026 Oct 2 [Epub ahead of print]. doi:10.1038/s41698-026-01720-7.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。