AIとがん研究 ── がん一般 ── 2026-10-07

対象誌と選び方は索引の頁に

がん一般の分子生物学の進展とAI

• CT で見つかった不確定肺結節に対し、人工知能の支援が診断と管理方針の判断に与える影響
  Impact of Artificial Intelligence Assistance on Clinicians’ Diagnostic and Management Decisions for Indeterminate Pulmonary Nodules on CT
  Vitamin Jurnal ilmu Kesehatan Umum · 2026-10-06 · 証拠の段階: システマティックレビュー（後ろ向きの読影者研究 5 件）
  抄録（全訳）

  コンピュータ断層撮影（CT）で見つかる不確定肺結節（IPN）は、扱いが難しい。がんを早く見つけたいが、不要な侵襲的処置は避けたい。この両立には悪性リスクの評価が欠かせない。人工知能（AI）は、肺結節を評価するときの意思決定支援ツールとして使われる機会が増えている。ただし、AI が臨床医の診断や管理方針の判断をどう変えるかについては、まだ十分な根拠がない。AI アルゴリズム自体の性能に比べると、確かめられている度合いが低い。

  本システマティックレビューは、CT で見つかった不確定肺結節（IPN）を対象とした。AI の支援が臨床医の診断と管理方針の判断に与える影響を評価した。手順は、システマティックレビューおよびメタアナリシスのための優先報告項目（PRISMA）ガイドラインに従った。PubMed、ScienceDirect、Scopus、Cochrane Library で、2015〜2026 年に出版された研究を検索した。組み入れ条件は三つである。CT 上の不確定または疑わしい肺結節を AI の支援で評価していること、臨床医が参加していること、診断または管理方針に関する結果を報告していることである。後ろ向きの読影者研究またはマルチリーダー・マルチケース研究 5 件を組み入れた。

  AI の支援で、診断性能と悪性リスクの層別化が改善した。ある研究では、受信者動作特性曲線下面積（AUC）が 0.82 から 0.89 に上がった（P < 0.001）。感度、特異度、読影者間の一致度も高くなった（Fleiss の κ 0.35 から 0.58、P < 0.001）。別の研究では、感度が 60% から 98% に、特異度が 69% から 99% に上がった。上級実践提供者では、AUC が 0.79 から 0.88 に上がった。悪性結節に侵襲的処置を勧めた割合も、55% から 72% に増えた。AI による検出は、経験年数にかかわらず放射線科医に役立った。一方、AI 単独の性能は経験豊富な放射線科医より劣っていた。

  AI は臨床医の成績と管理方針の判断を改善する可能性がある。特に、第二読影者として使う場合にその可能性がある。ただし、エビデンスにはまだ限りがある。後ろ向きのデザインであること、AI システムや評価項目が研究ごとに異なること、無作為化比較試験がないことが理由である。前向き研究が必要である。

  掲載誌の IF 相当：0.1（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）
  書誌：Fauziana Ulfa, Atika Amaliah. Impact of Artificial Intelligence Assistance on Clinicians’ Diagnostic and Management Decisions for Indeterminate Pulmonary Nodules on CT. Vitamin. 2026 Oct 6;4(4):255-77. doi:10.61132/vitamin.v4i4.2660.
  確認の範囲：抄録のみ確認
• 術前臨床因子を用いた説明可能 AI による切除可能大腸がん肝転移の予後予測と従来の臨床スコアとの比較
  Explainable AI-based prognostication of patients with resectable colorectal liver metastases using preoperative clinical parameters: is it comparable to traditional clinical scoring systems?
  Frontiers in oncology · 2026-09-21 · 証拠の段階: 観察データを用いた予後予測モデルの開発と内部検証
  抄録（全訳）

  背景：大腸がん肝転移（CRLM）で肝切除を受ける患者の予後予測は、まだ難しい。人工知能（AI）を用いた生存モデルを使えば、患者ごとのリスクをより正確に見積もれる可能性がある。

  方法：CRLM に対して初めて肝切除を受けた患者 350 例を対象にした。術前の臨床変数だけを使って、古典的な機械学習と深層学習の生存モデルを作り、比べた。作ったモデルは、Cox 比例ハザード（CoxPH）、ランダムサバイバルフォレスト（RSF）、生存解析用サポートベクターマシン（SVM）、XGBoost survival、DeepSurv、DeepHit である。性能は、一致指数（C-index）と統合 Brier スコア（IBS）で評価した。評価には三つのデータセットを使った。評価には、訓練セット 245 例、テストセット 105 例、OSLO-COMET 試験の 88 例による独立した内部検証セットを用いた。モデルの解釈性は、SHapley Additive exPlanations（SHAP）解析で評価した。さらに、作成したモデルの結果を、確立された Basingstoke 予測指数（BPI）と比較した。

  結果：最も安定した性能を示したのは CoxPH であった。C-index は、内部検証セットで 0.59、テストセットで 0.65 であった。この性能は、より複雑な機械学習・深層学習モデルと同程度であった。訓練セットでの性能は RSF が最も高かった。しかし、テストセットでも内部検証セットでも、RSF の性能はほかのモデルを上回らなかった。CoxPH と DeepSurv による 1 年・3 年・5 年の個別予測は、BPI と同程度であった。SHAP 解析では、いずれのモデルでも同じ四つの因子が最も強く予測に影響した。米国麻酔科学会（ASA）スコア、転移の肝葉分布、原発巣の部位、転移の個数である。

  結論：構造化された術前臨床データを使い、CRLM 患者の全生存期間を予測する機械学習・深層学習モデルを作った。術前の臨床変数だけに基づくモデルであることを考えると、性能は有望である。ほかの種類のデータを加えれば、予測精度はさらに上がる可能性がある。特に画像所見の特徴量が候補である。より大きなデータセットで訓練することでも、精度が上がる可能性がある。

  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：Kumar NP, Drejian S, Akhavi MS, Qadir HA, Fretland ÅA, Kazaryan AM, et al. Explainable AI–based prognostication of patients with resectable colorectal liver metastases using preoperative clinical parameters: is it comparable to traditional clinical scoring systems?. Front Oncol. 2026 Sep 21;16:1890766. doi:10.3389/fonc.2026.1890766.
  確認の範囲：抄録のみ確認

← この号の目次へ