AIとがん研究 ── 2026-10-06

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（1） · 肺がん（1） · 膵がん（0） · 前立腺がん（0） · 腺様嚢胞癌（0） · 脳腫瘍（1） · 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

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

• 乳房の拡散強調MRIから深層学習でHER2の状態を予測する方法
  Deep learning-based prediction of HER2 status from breast diffusion-weighted MRI
  Frontiers in Oncology · 2026-10-05 · 証拠の段階: 後ろ向きの観察研究（2施設、内部テストと外部テストあり）
  抄録（全訳）

  背景と目的 乳がんの診断と治療では、ヒト上皮成長因子受容体2（HER2）の状態を正確に分類することが非常に重要である。HER2の状態を見分ける現在のゴールドスタンダードは生検である。しかし生検は侵襲的で、時間もかかる。この欠点を補うため、新しい深層学習（DL）モデルを開発した。このモデルは拡散強調画像（DWI）だけを使い、乳がんのHER2陰性とHER2陽性を見分ける。 材料と方法 後ろ向き研究である。地元の2医療センターで乳がんと確定した女性患者239例を対象とした。畳み込みニューラルネットワーク（CNN）とTransformerを組み合わせたハイブリッド型のDLモデルを提案した。入力はDWIの画像で、見かけの拡散係数（ADC）マップ、b = 0 s/mm² のDWI画像、b = 800 s/mm² のDWI画像の3種類である。モデルはHER2陰性とHER2陽性のどちらであるかを分類して出力する。このモデルの分類を、ほかのベンチマークDLモデルと臨床専門家2名の分類と定量的に比べた。

  結果：239例（平均年齢 49.4 ± 10.0 歳）のデータを3つに分けた。訓練セット（n = 156）、内部テストセット（n = 39）、外部テストセット（n = 44）である。内部テストセットでは、提案モデルの成績は最良のベンチマークDLモデルを数値の上で上回った。曲線下面積（AUC）は0.93対0.89、正解率は0.90対0.85だった。外部テストセットでも、提案モデルは最良のベンチマークモデルを数値の上で上回った。AUCは0.91対0.87、正解率は0.84対0.82だった。臨床専門家2名と比べると、提案モデルの成績は有意に高かった。AUCは0.91対0.65対0.63、正解率は0.84対0.61対0.57だった。

  結論：DWIとDLを組み合わせ、乳がんのHER2の状態を分類する方法は有望であることが示された。このモデルは、非侵襲的な補助手段や意思決定支援ツールとして役立つ可能性がある。

  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 Y, Kan X, Wang J, Peng J, Cai J, Ma Y, et al. Deep learning-based prediction of HER2 status from breast diffusion-weighted MRI. Front Oncol. 2026 Oct 5;16:1863720. doi:10.3389/fonc.2026.1863720.
  確認の範囲：抄録のみ確認

乳がんの論文をすべて見る（1 本）→

肺がんの治療・治験とAI

• 非小細胞肺がんの予測で病理組織像とオミクスを統合する上乗せ効果：システマティックレビューとメタアナリシスの抽出データセット、バイアスリスク評価、解析コード
  Extraction dataset, risk-of-bias assessments and analysis code for Incremental value of integrating histopathology with omics for prediction in non-small-cell lung cancer: a systematic review and meta-analysis
  Zenodo (CERN European Organization for Nuclear Research) · 2026-10-04 · 証拠の段階: システマティックレビューとメタアナリシス（付属のデータとコード）
  抄録（全訳）

  この記録には、システマティックレビューとメタアナリシス「Incremental value of integrating histopathology with omics for prediction in non-small-cell lung cancer: a systematic review and meta-analysis」（Briefings in Bioinformatics に投稿中）の裏付けとなるデータとコードを収めている。この論文はBriefings in Bioinformaticsに投稿済みである。レビューはPRISMA 2020に従って行った。PubMed、Scopus、IEEE Xploreを検索し、5504件の記録から35件の研究を採用した。採用したのは、組織画像とゲノム、トランスクリプトーム、プロテオーム、エピゲノムのデータを人工知能で統合した、非小細胞肺がん（NSCLC）の研究である。いずれも人工知能（AI）を使い、組織画像をゲノム、トランスクリプトーム、プロテオーム、エピゲノムのいずれかのデータと統合している。このうち16件のデータをメタアナリシスに用いた。

  主要評価項目は、同じ研究の中での識別能の差である。識別能はAUC（曲線下面積）またはC-index（一致指数）で測った。主要評価項目は、同じ患者で評価した、マルチモーダルモデルと、組織像のみを用いる最も成績の高い比較モデルとの、識別能（AUCまたはC-index）の研究内での差である。両者は同じ患者で評価されている。差の統合には、制限付き最尤法（REML）によるランダム効果モデルを用いた。信頼区間はHartung–Knapp–Sidik–Jonkman（HKSJ）法で求めた。

  内容は次のとおりである。1. 抽出データセット：採用した35研究を32項目で整理したもの。項目は書誌情報、コホート、モダリティ、アーキテクチャ、統合の方法、検証デザイン、エンドポイント、報告されたすべての性能推定値である。

  2. 解析データセット：メタアナリシスに用いたすべての値と、元論文での出典箇所（表、図、ページ）、および算出した標準誤差。それぞれに、原著論文での出典箇所（表・図・ページ）と、算出した標準誤差を付けた。

  3. バイアスリスク評価：35研究すべてをPROBASTで評価した。PROBAST-AIのシグナリング質問も使った。

  4. 解析コード（Python 3.11、NumPy、SciPy）：REMLによるランダム効果メタアナリシス（HKSJ法の信頼区間付き）、予測区間、サブグループ解析、メタ回帰、感度分析、leave-one-out解析、Egger検定を実装している。このコードは、BCGベンチマークデータセットで、Rのmetaforパッケージの参照出力を再現する。

  5. 結果（JSON）と、図を作るスクリプト。

  採用した論文そのものは再配布していない。採用した論文そのものは再配布しておらず、各論文には元のライセンスが適用される。

  掲載誌の IF：不明（照合できず）
  書誌：[No authors listed]. Extraction dataset, risk-of-bias assessments and analysis code for Incremental value of integrating histopathology with omics for prediction in non-small-cell lung cancer: a systematic review and meta-analysis. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23132027.
  確認の範囲：抄録のみ確認

肺がんの論文をすべて見る（1 本）→

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

• 縦断MRIで前臨床の膠芽腫の治療反応を予測する高度な機械学習手法
  Advanced machine learning strategies for predicting therapy response in preclinical glioblastoma using longitudinal MRI
  Scientific Reports · 2026-10-04 · 証拠の段階: 前臨床（マウスモデル）
  抄録（全訳）

  膠芽腫（GB）は、最も悪性度の高い原発性脳腫瘍である。予後が悪く、治療が効きにくく、再発も多い。偽反応や偽増悪といった現象があるため、治療反応を早い段階で評価するのは難しい。

  この研究では、高度な機械学習（ML）手法で長期の治療成績を予測できるかを調べた。データは、膠芽腫のマウス前臨床モデル（GL261）の縦断的なT2強調磁気共鳴画像（MRI）である。画像は治療前と治療中に撮った。比べた手法は2つある。1つは従来型のパイプラインで、ラジオミクス特徴量とXGBoost分類器を組み合わせる。もう1つは深層学習（DL）のパイプラインで、ファインチューニングしたEfficientNetB0モデルを使う。

  ラジオミクスの手法では、解釈しやすい画像バイオマーカーを特定でき、予測性能も良好だった（曲線下面積（AUC）≈ 0.770、95% 信頼区間 0.703〜0.832）。一方、DLモデルはほとんどの評価指標でラジオミクスの手法を上回った。AUCは0.868（95% 信頼区間 0.810〜0.918）、感度は0.818だった。DLモデルは個体ごとの汎化性能も高かった。識別性能はどちらの手法でも、追跡期間が進むにつれて少しずつ上がった。Grad-CAMで解釈可能性を解析した。Grad-CAMによる解釈性の解析で、DLモデルの予測が解剖学的に関連する特徴に基づくことが確認された。

  これらの結果は、転移学習で強化したDLが、膠芽腫の治療効果を早期に予測する強力な非侵襲的ツールになりうることを示唆する。より頑健で個別化された治療モニタリングにつながる可能性がある。

  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：González J, Candiota AP, Vellido A. Advanced machine learning strategies for predicting therapy response in preclinical glioblastoma using longitudinal MRI. Sci Rep. 2026 Oct 4 [Epub ahead of print]. doi:10.1038/s41598-026-73929-2.
  確認の範囲：抄録のみ確認

脳腫瘍の論文をすべて見る（1 本）→

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

• 肝腫瘍の動きのモニタリングに向けた、深層学習CNNによるkV X線画像上の基準マーカー検出法
  Deep learning-based CNN method for fiducial marker detection in kilovoltage X-ray images for liver tumor motion monitoring.
  Medical physics · · 証拠の段階: 多施設臨床試験の画像データを用いた手法の開発・検証研究
  抄録（全訳）

  背景：放射線治療中に肝腫瘍が動くと、線量を照射する精度が下がることがある。隣接する正常組織への照射が増えることもある。肝腫瘍は、キロボルト（kV）X線画像では直接見えにくい。そのため、治療中は基準マーカー（フィデューシャルマーカー）を埋め込み、腫瘍の位置の目印にするのが一般的である。テンプレートマッチングなど従来のマーカー抽出法では、マーカーが骨や手術用クリップ、ステントに隠れると精度が落ちることがある。畳み込みニューラルネットワーク（CNN）を使う手法は、画像解析で高い性能を示している。しかしその応用は、前立腺のように動きの少ない臓器に限られていた。あるいは、単一施設・特定ベンダーのデータセットに頼っていた。そのため、施設や解剖部位が変わってもモデルが使えるかは十分に評価されていない。

  目的：kV X線画像で基準マーカーを検出するCNN手法を開発し、システムに組み込んで評価することを目的とした。本研究の目的は、肝臓の放射線治療中にリアルタイムの画像誘導放射線治療（IGRT）を支えるため、kV X線画像で基準マーカーを検出するCNN手法を開発、統合、評価することである。使ったのは多施設・多機種のデータセットである。自由呼吸下の大きく速い動きと、息止め下の小さくゆっくりした動きの両方を含む。

  方法：小型のCNNを、kV X線画像314,625枚で訓練した。画像は、多施設臨床試験 TROG 17.03 LARK（NCT02984566）の患者28例から得た。検証には、同じコホートから取り分けておいた画像31,463枚（10%）を用いた。この検証用データは患者12例・55治療分割から成る。3施設、3種類の呼吸性移動対策法を含む。テストには、患者16例・55分割の画像4184枚を用いた。検証用データも、同じ患者群の3施設、3種類の呼吸性移動対策法にわたる。テストの正解には、各テスト患者の各分割照射で、ガントリー回転10度ごとに手作業で抽出したマーカー位置を用いた。抽出したのは、各テスト患者の各分割で、ガントリーが10度回転するごとの画像である。 臨床導入できるかの判定基準は、米国医学物理学会（AAPM）のガイドライン（TG147、TGB135.B）に基づき事前に定めた。基準は2つある。1つは、各方向でマーカー位置の95%超が正解位置から2 mm以内にあることである。もう1つは、1画像あたりの処理時間が150 ms未満であることである。処理時間は、リアルタイムのkV分割内モニタリング（KIM）の枠組みをシミュレーションして測った。ほかの評価指標として、感度、特異度、適合率–再現率曲線の曲線下面積（AUC）も用いた。 結果2 mm以内の割合はX軸で95.4%、Y軸で97.6%のフレームであり、AAPMの基準を満たした。感度は97.76%、特異度は99.94%、AUCは0.9964だった。位置決めの誤差に、息止め下と自由呼吸下の治療で統計学的な有意差はなかった。ただし、自由呼吸の患者が少なく、この比較には限界がある。位置決めの誤差は、VarianとElektaのリニアックの間で有意に異なった。これはデータセット内の偏りによる。処理時間は、NVIDIA GeForce RTX 3070 GPUで1画像あたり50〜60 msだった。 結論画像には、自由呼吸と息止めの両方の動きが含まれる。画像には、VarianとElektaの両方のリニアックのものが含まれる。この手法は、位置の精度と計算時間について、事前に定めた判定基準を満たした。この結果は、今後の臨床導入に向けた取り組みを後押しする。

  掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-05 時点の値、2026-10-06 に取得。正式な IF（Clarivate）ではない）
  書誌：Kan F, Jin F, Mylonas A, Zwan B, Nguyen T, Moodie T, et al. Deep learning‐based CNN method for fiducial marker detection in kilovoltage X‐ray images for liver tumor motion monitoring. Med Phys. 2026 Oct 4;53(10):e70691. doi:10.1002/mp.70691. PMID: 42830534.
  確認の範囲：抄録のみ確認

肝臓がんの論文をすべて見る（1 本）→

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。