AIとがん研究 ── 肝臓がん ── 2026-10-07
肝臓がんの治療・治験とAI
- A Computed Tomography Radiomics Approach for Assessing the T Cell-Inflamed Gene Expression Profile in Hepatocellular Carcinoma and Its Association With Immunotherapy Response.抄録（全訳）
背景：T 細胞炎症性遺伝子発現プロファイル（GEP）は、さまざまながんで免疫療法の奏効を示すバイオマーカーである。しかし、肝細胞がん（HCC）に特化した免疫療法奏効のバイオマーカーはない。そこで本研究では、コンピュータ断層撮影（CT）に基づくラジオミクスモデルを作った。HCC で T 細胞炎症性 GEP と免疫療法の奏効を予測するためのモデルである。
方法：後ろ向きの多施設研究で、HCC 患者 270 例を対象とした。患者は訓練セット（n = 227）とテストセット（n = 43）に分けた。対象はいずれも、造影 CT と RNA シーケンシングのデータが得られた患者である。T 細胞炎症性 GEP は、RNA シーケンシングのデータに由来する 18 遺伝子から成る。この GEP に基づき、患者を GEP 高値群と GEP 低値群に分類した。ラジオミクスモデルはサポートベクターマシンで構築した。免疫療法データセットは、3 病院の患者（209 病変）からなる。対象は、造影 CT を受け、抗 PD-1／PD-L1 免疫療法を受けた患者である。このデータセットで、予測した GEP の状態と免疫療法の奏効との関連を評価した。さらに免疫療法データセットで、GEP 高値と予測された病変をもつ患者ともたない患者の全生存期間を比較した。
結果：GEP を予測するモデルの受信者動作特性曲線下面積（AUC）は、訓練セットで 0.824（95% 信頼区間 0.757〜0.892）、テストセットで 0.827（95% 信頼区間 0.674〜0.980）であった。免疫療法データセットでは、6 か月時点の肝病変の奏効率は GEP 高値群で 48.1%、GEP 低値群で 9.3% であった。高値群のほうが有意に高かった（P < 0.001）。6 か月時点の免疫療法の奏効を予測するモデルの AUC は 0.750（95% 信頼区間 0.614〜0.886）であった。全生存期間の中央値は、GEP 高値病変をもつ患者で 17.5 か月であった。中央値は 17.5 か月で、GEP 高値病変をもたない患者の 8.3 か月を大きく上回った。
結論：本研究のモデルは、HCC の T 細胞炎症性 GEP を予測する初の CT ラジオミクスモデルである。このモデルは、T 細胞炎症性 GEP が非侵襲的なバイオマーカーとして免疫療法の選択に役立つ可能性を示している。
掲載誌の IF 相当：4.2（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：Tang M, Sun K, Wu D, Zou Y, Zhou J, Li B, et al. A Computed Tomography Radiomics Approach for Assessing the T Cell‐Inflamed Gene Expression Profile in Hepatocellular Carcinoma and Its Association With Immunotherapy Response. Health Care Sci. 2026 Oct 4 [Epub ahead of print]. doi:10.1002/hcs2.70106; PMCID: PMC13635722.確認の範囲：全文を確認 - Development and external validation of an interpretable deep learning model for early immune-related adverse events in hepatocellular carcinoma.抄録（全訳）
目的：免疫チェックポイント阻害薬を含む治療を受ける肝細胞がん患者で、モデルを開発する。臨床的に問題となる早期の免疫関連有害事象を治療前に予測する、解釈可能な深層学習モデルを開発し、外部検証することを目的とした。
方法：免疫チェックポイント阻害薬を含む治療を受けた肝細胞がん患者を対象に、多施設の後ろ向きコホート研究を行った。このコホートの代表的なレジメンはアテゾリズマブ＋ベバシズマブであった。対象者は訓練コホートと、独立した外部検証コホートに分けた。早期の免疫関連有害事象は、治療開始から 3 か月以内に起きた臨床的に問題となる事象と定義した。予測モデルは 5 種類を構築した。TabNet、ロジスティック回帰、ランダムフォレスト、エクストリーム勾配ブースティング、サポートベクターマシンである。いずれも、治療前に得たベースラインの臨床変数と血中の免疫学的変数を用いた。モデルの性能は、識別能、較正、臨床的有用性の指標で評価した。解釈可能性は、特徴量の寄与度解析で評価した。
結果：全モデルのうち、総合的な性能が最も良かったのは TabNet モデルであった。識別能、較正、臨床的有用性、外部検証での性能を考慮して判断した。較正解析では、予測リスクと実際の発生率がよく一致した。決定曲線解析と臨床的インパクト評価では、幅広い閾値確率で意味のある臨床的有用性が示された。解釈可能性の解析で、モデルが予測する早期免疫関連有害事象リスクに主に寄与する因子が特定された。CD4/CD8 比、血清免疫グロブリン G 値、アルブミン、血小板数、CD19 陽性 B 細胞の割合である。リスク層別による特徴量のクラスタリングも行った。リスクで層別した特徴のクラスタリングからは、免疫関連の特徴と宿主の機能的予備能が、互いに補い合う側面である可能性も示唆された。これらはいずれも、モデルが予測する早期の免疫関連毒性リスクに関連する。
結論：免疫チェックポイント阻害薬を受ける肝細胞がん患者で、臨床的に問題となる早期の免疫関連有害事象を治療前に予測する解釈可能な深層学習モデルを開発し、外部検証した。
掲載誌の IF 相当：5.5（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：Pan H, Zhao C, Sun H, Zhao H, Tang G, Du X, et al. Development and external validation of an interpretable deep learning model for early immune-related adverse events in hepatocellular carcinoma. Front Immunol. 2026 Sep 21;17:1886946. doi:10.3389/fimmu.2026.1886946; PMCID: PMC13635132.確認の範囲：全文を確認