AIとがん研究 ── 2026-10-07
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（0） · 膵がん（0） · 前立腺がん（2） · 腺様嚢胞癌（0） · 脳腫瘍（1） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（1） · 肝臓がん（2） · 腎臓がん（0） · 膀胱がん（2）
がん一般の分子生物学の進展とAI
- Impact of Artificial Intelligence Assistance on Clinicians’ Diagnostic and Management Decisions for Indeterminate Pulmonary Nodules on CT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 - Explainable AI-based prognostication of patients with resectable colorectal liver metastases using preoperative clinical parameters: is it comparable to traditional clinical scoring systems?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
乳がんの治療・治験とAI
- Transparency archive for: Validation design, data leakage and performance reporting in [18F]FDG PET/CT radiomics and artificial intelligence models for predicting pathological complete response in breast cancer: a systematic review抄録（全訳）
このレビューは前向きに登録されておらず、本アーカイブは事後に登録した。レビューの対象は、乳がんの術前化学療法後の病理学的完全奏効（pCR）を予測するモデルである。具体的には、[18F]FDG PET/CT のラジオミクスと人工知能（AI）を用いたモデルを扱った。調べた点は、検証デザイン、データリーク、サンプル数の妥当性、性能指標の報告である。
アーカイブには次のものが入っている。
- レビューのプロトコル。事後に寄託したもので、レビューは前向きには登録していない。
- 3 回の検索ラウンドすべてで使った、完全なブール検索式。
- 組み入れた 30 研究の研究単位の抽出表。含まれる 30 件の研究の抽出表には、PROBAST+AI による判定と理由コードが付いている。
緩和した条件での検索で評価した 127 件について、記録単位のスクリーニング判定を収めている。
論文中の二つの図を作成する Python スクリプトも収めている。
検索の最終実行日は 2026 年 10 月 1 日である。論文に載せた記述統計は、すべて抽出表から再計算できる。患者単位のデータは使っておらず、論文の全文も再配布していない。バージョン 1.1.0 では、研究単位の抽出表と、緩和検索のスクリーニングファイルを英語版に差し替えた。データの値は変えていない。研究単位の表は ESM 4 として、スクリーニングファイルは ESM 2 として、論文にも添付されている。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Transparency archive for: Validation design, data leakage and performance reporting in [18F]FDG PET/CT radiomics and artificial intelligence models for predicting pathological complete response in breast cancer: a systematic review. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23162322.確認の範囲：抄録のみ確認 - Slow Diffusion Coefficient Derived from High b-Value Diffusion-Weighted MRI for Assessing Pathological Complete Response after Neoadjuvant Chemotherapy in Breast Cancer: An Exploratory Machine Learning Analysis抄録（全訳）
乳がんの治療効果の評価には、見かけの拡散係数（ADC）が使われている。ただし、ADC は灌流や T2 に関連する影響を受ける可能性がある。本研究の目的は二つである。一つは、ADC のみ、緩徐拡散係数（SDC）のみ、ADC と SDC の組み合わせの三つのモデルを比べることである。もう一つは、治療後の病理学的完全奏効（pCR）の評価で、SDC が ADC を補う情報をもつかを調べることである。
ACRIN-6698/I-SPY2 データセットを使った後ろ向きの二次解析である。対象は 84 例で、うち 32 例が pCR であった。ADC は b = 0 と 800 s/mm2 から、SDC は b = 600 と 800 s/mm2 から算出した。病変内の平均値と、治療に伴うその変化を評価した。評価には、入れ子の 5 分割交差検証を 100 回繰り返す方法を使った。正規化、ランダムフォレストによる順位付け、LASSO の調整と変数選択は、すべて訓練データの中だけで行った。
交差検証での平均の受信者動作特性曲線下面積（AUC）は、rcADC と rcSDC を組み合わせたモデルで最も高く、0.724 であった。このモデルの out-of-fold 予測をまとめた AUC は 0.728 であった。rcADC 単独では 0.633 であった。ただし、両者の AUC の差を対応のある比較で検定すると、統計的に有意ではなかった。
治療に伴う SDC の変化は、治療後の pCR 評価で、従来の ADC の変化を補う可能性がある。観察された識別能は、rcADC と rcSDC を組み合わせたモデルが最も高かった。しかし、rcADC 単独に比べて統計的に有意な改善があるとは示されなかった。これらは探索的な結果であり、技術的な検証と外部検証が必要である。
掲載誌の IF 相当：1.0（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：Sakoda K, Baba S. Slow Diffusion Coefficient Derived from High b-Value Diffusion-Weighted MRI for Assessing Pathological Complete Response after Neoadjuvant Chemotherapy in Breast Cancer: An Exploratory Machine Learning Analysis. Indian J Radiol Imaging. 2026 Oct 5 [Epub ahead of print]. doi:10.1055/s-0046-1829390.確認の範囲：抄録のみ確認
肺がんの治療・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。
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
- Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI抄録（全訳）
目的：前立腺のバイパラメトリック MRI（bpMRI）とマルチパラメトリック MRI（mpMRI）で前立腺外進展（EPE）を検出する深層学習モデルを作った。そのうえで、性能を放射線科医と比べて検証した。
方法：大規模医療機関の連続症例を対象とした。対象は、2015〜2023 年に前立腺 MRI を受け、その後 1 年以内に根治的前立腺全摘除術を受けた患者である。データは訓練用・検証用・テスト用のセットに分けた。モデルは転移学習によるものである。3D ResNet-50 を基盤とする多分岐 3D 畳み込みニューラルネットワーク 2 つで構成した。bpMRI 用のモデル（AI bp）には、横断像の T2 強調像（T2WI）と拡散強調像（DWI）を入力して学習させた。mpMRI 用のモデル（AI mp）には、横断像の T2WI、DWI、造影後画像を入力した。前立腺や腫瘍のセグメンテーション（領域の切り出し）は行っていない。さらに、PSA 密度を加えたロジスティック回帰モデルを AI mp モデルとあわせて学習させた（AI mpPSAD）。腹部画像のフェローシップ研修を修了した放射線科医 3 名が、テストセットの EPE を評価した。読影者は各検査を bpMRI と mpMRI の両方で評価し、被膜の見え方から腫瘍の被膜外浸潤を 1〜5 点で採点した。受信者動作特性曲線下面積（AUC）を求め、Delong 検定で比較した。診断性能の各指標も算出した。
結果：対象は前立腺 MRI 1,232 件である（訓練 1003 件、検証 113 件、テスト 116 件）。モデルの AUC は、AI bp が 0.71、AI mp が 0.72、AI mpPSAD が 0.73 だった。感度は、AI bp の Youden 指数での値（0.77）に固定して比較した。このとき AI bp、AI mp、AI mpPSAD の特異度はそれぞれ 0.64、0.69、0.71、正確度は 0.71、0.73、0.74 だった。読影医の AUC は、bpMRI で 0.66〜0.71、mpMRI で 0.69〜0.74 の範囲だった。読影医の正確度は、bpMRI で 0.60〜0.68、mpMRI で 0.65〜0.72 の範囲だった。
結論：セグメンテーションを必要としない転移学習モデルは、EPE の検出でフェローシップ研修を修了した放射線科医と同程度の性能を示した。これは bpMRI でも mpMRI でも同じだった。すべてのモデルと読影医で、造影後シーケンスを加えると正確度が上がる傾向がみられた。
掲載誌の IF：不明（照合できず）書誌：Tong A, Daniels A, Ginocchio L, Smereka P, Dutt T, Umapathy L, et al. Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI. Research Square. 2026 Oct 5 [Epub ahead of print]. doi:10.21203/rs.3.rs-11001056/v1.確認の範囲：抄録のみ確認 - Practical deep learning solutions for prostate cancer segmentation and implementation in radiotherapy planning.抄録（全訳）
放射線治療計画では、前立腺と周囲の構造を正確にセグメンテーション（輪郭描出）することが欠かせない。治療を確実に届けつつ、近くの組織への被ばくを最小限に抑えるためである。しかし、これまでの深層学習（DL）によるセグメンテーション研究には不足があった。陰茎球（PB）や精嚢（SV）など、臨床上重要な構造を対象から外していることが多い。臨床現場では入手しにくい大規模な独自データセットに大きく頼っている。従来のアトラス法との直接比較もない。
本研究はこの不足を埋めるため、DL システムの導入を検討する病院に実用的な知見を示す。2D U-Net モデルを、体系立てた 6 つの実験で評価した。このうち 1 つの実験では 3D U-Net モデルとも比較した。特に、公開されている前立腺 CT データを DL の学習に使ったのは本研究が初めてである。公開データと施設内データを組み合わせ、前立腺と隣接する解剖構造でモデルの頑健性を高めた。これまで扱われることの少なかった PB や SV を含めたため、モデルを臨床で使いやすくなった。
結果として、中規模のデータセット（本研究では 60〜約 300）でも、主要なリスク臓器で平均距離一致度（MDA）が 1 mm 未満に達した。膀胱では 0.60 mm、直腸では 0.93 mm である。大規模な注釈付きデータへの依存を減らせる。日常診療で作った輪郭で学習させたモデルは、手作業で大きく修正しなくても良好な性能を示した。日常診療で得られた既存の臨床データを、モデルの学習に利用できることが示された。市販のアトラス法ツール 4 種と比べると、前立腺、膀胱、SV などの主要な解剖構造で 2D U-Net モデルの精度が上回った。前立腺の MDA は、本研究の深層学習モデルで 1.28 mm、アトラス法ツールで 1.4〜2.5 mm だった。SV のような小さな構造では、3D モデルのほうが空間的な文脈をよく捉えた。それでも 2D モデルは計算負荷が小さく、実用的な代替手段となった。資源の限られた臨床現場に向いている。
掲載誌の IF 相当：2.4（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：Hizam DA, Saad M, Ung NM, Muaadz A, Salleh FM, Tan LK. Practical deep learning solutions for prostate cancer segmentation and implementation in radiotherapy planning. Phys Eng Sci Med. 2026 Oct 5 [Epub ahead of print]. doi:10.1007/s13246-026-01815-2.確認の範囲：抄録のみ確認
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
- An integrated prognostic model incorporating clinical characteristics, multiparametric MRI radiomics, deep learning features, and intratumoral heterogeneity for glioma patients.抄録（全訳）
はじめに：神経膠腫は、中枢神経系で最も多い原発性悪性腫瘍である。生物学的な不均一性が大きく、予後は不良である。マルチパラメトリック MRI に基づく画像解析は、予後の評価で有望とされてきた。しかし、深層学習（DL）、ラジオミクス、腫瘍内不均一性（ITH）の定量化を効果的に統合する方法は、まだ十分に検討されていない。本研究の目的は、臨床的特徴とマルチパラメトリック MRI 由来の特徴量を統合した予後予測モデルを作ることである。あわせて、特徴量の組み合わせごとに予測性能を体系的に評価する。
方法：後ろ向きの多施設研究である。UCSF-TCIA コホートの 183 例を訓練セット、Chongqing General Hospital の 109 例を独立したテストセットとした。術前のマルチパラメトリック MRI から、ラジオミクス特徴量、DL 特徴量、2D/3D の ITH 特徴量を抽出した。解析にはマルチパラメトリック MRI として、T1 強調像（T1WI）、造影 T1 強調像（T1CE）、T2 強調像（T2WI）、T2 FLAIR 像（T2-FLAIR）、拡散強調像（DWI）、見かけの拡散係数（ADC）を用いた。特徴量は LASSO-Cox 回帰（Least Absolute Shrinkage and Selection Operator-Cox）で選んだ。そのうえで、単一モデルと融合モデルの両方を構築した。特徴量レベルの統合には、2 段階の LASSO-Cox 回帰を用いた。異なる情報源が持つ相補的な性質を十分に引き出すためである。性能は Harrell の一致指数（C-index）で数値化した。さらに、Kaplan-Meier 生存解析、時間依存性の受信者動作特性（ROC）解析、較正曲線、決定曲線分析（DCA）で検証した。
結果：DL、ラジオミクス、ITH、臨床的特徴を統合した融合モデル（DenseNet121_DL+Rad+ITH）の C-index は、訓練セットで 0.801（95% 信頼区間 0.750〜0.853）だった。テストセットでは 0.710（95% 信頼区間 0.638〜0.783）で、いずれの単一モデルも上回った。対応するスタッキング・アンサンブルでも、テストセットの C-index は 0.701 と同程度だった。Kaplan-Meier 解析では、リスクによる層別化が有意であることを確認した（P < 0.001）。時間依存性 ROC 解析での曲線下面積（AUC）は、12、18、24、30、36 か月でそれぞれ 0.705、0.721、0.746、0.800、0.873 だった。較正曲線では、予測した生存確率と実際の生存確率がよく一致した。DCA では、中長期（24〜36 か月）の生存予測で、臨床上の正味の利益が良好だった。 結論融合戦略は、概して単一特徴量のモデルを上回る。ただし、融合による上乗せは小さい。より大規模なコホートでの前向き検証がまだ必要である。
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：Yang Y, Su K, Tang K, Li K. An integrated prognostic model incorporating clinical characteristics, multiparametric MRI radiomics, deep learning features, and intratumoral heterogeneity for glioma patients. Front Oncol. 2026 Sep 21;16:1873715. doi:10.3389/fonc.2026.1873715; PMCID: PMC13635987.確認の範囲：全文を確認
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
- Multimodal radiopathomics model predicts postoperative metachronous liver metastasis in gastric cancer.抄録（全訳）
局所進行胃がんでは、根治的とみられる手術の数か月後に、肝転移で再発する患者が少なくない。標準的な腫瘍の病期分類では、誰にそのリスクがあるかを前もってほとんど知ることができない。著者らは、解釈可能なモデル Radiopathomics-Clinical Stratification Assessment（RCSA）を開発した。RCSA は、互いに補い合う三つの情報源を統合する。統合する情報は、術前コンピュータ断層撮影（CT）のラジオミクス特徴量、通常のヘマトキシリン・エオジン染色標本のパソミクス特徴量、従来の臨床的特徴の三つである。RCSA は 1 施設の患者で学習させ、それとは別の集団で検証した。検証に用いたのは、内部・外部・公開データの各群と、前向き試験の群（NCT02555358）である。いずれでも高リスクと低リスクの患者を一貫して分けられ、曲線下面積（AUC）は 0.862〜0.909 だった。RCSA が低リスクと判定した腫瘍では、免疫環境が目立って活発だった。このことは、免疫療法の上乗せによる利益を最も得やすいのが、これらの患者であることを示唆する。したがって RCSA を使えば、病院にある既存のデータを、術後の経過観察と治療の個別の指針に生かせる。
掲載誌の IF 相当：18.1（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：Ding P, Yang J, Guo H, Chen S, Liu Y, Han X, et al. Multimodal radiopathomics model predicts postoperative metachronous liver metastasis in gastric cancer. Nat Commun. 2026 Sep 4;17(1):10518. doi:10.1038/s41467-026-76382-x.確認の範囲：抄録のみ確認
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
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
- A novel machine-learning model using nuclear features to predict upper tract urothelial carcinoma recurrence抄録（全訳）
上部尿路上皮がん（UTUC）はまれながんで、尿路上皮がん全体の 5% 未満を占める。症状が目立たないため、進行した病期で診断されることが多い。根治的腎尿管全摘除術後の再発は、まだ対処が難しい。術後の管理は主に病理学的因子で決まる。T 分類やリンパ節転移の有無などである。しかし、これらの因子では治療の強化が有益な患者を正確に見分けられない。シスプラチンによる腎毒性の懸念もあり、この点は特に問題となる。そこで、人工知能（AI）を用いた病理モデルを使い、UTUC の定量的な核特徴量から術後再発を予測した。UTUC 患者 222 例のうち、再発例が十分にある pT3 症例（n = 68）でモデルを訓練した。サポートベクターマシン（SVM）モデルとランダムフォレスト（RF）モデルを訓練した。患者単位のモデル性能を評価し、独立したテストコホート（n = 50）で検証した。内訳は pT1 が 12 例、pT2 が 11 例、pT3 が 22 例、pT4 が 5 例である。pT3 症例での患者単位の正解率は、RF で 77.3%、SVM で 63.6% であった。独立した pT1〜pT4 コホート全体の正解率は、RF で 80%、SVM で 68% であった。モデルに基づくリスク層別も行った。各モデルで予測再発確率が 0.5 以上なら 1 点とし、0 点を低リスク、1 点を中間リスク、2 点を高リスクとした。この層別で、独立テストコホート（pT1〜pT4）の無再発生存期間に有意な差が出た。リスク群は低リスク 7 例、中間リスク 8 例、高リスク 35 例であった（ログランク検定 P = 0.01）。低リスク群では再発がなかった。
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：Muraoka R, Saito A, Tokuyama N, Matsubara S, Shen B, Tsujino T, et al. A novel machine-learning model using nuclear features to predict upper tract urothelial carcinoma recurrence. Sci Rep. 2026 Oct 5 [Epub ahead of print]. doi:10.1038/s41598-026-72946-5.確認の範囲：抄録のみ確認 - Machine learning-driven identification of a ubiquitination-related prognostic signature and potential target NRDP1 in bladder cancer抄録（全訳）
ユビキチン化が制御する分子イベントは、膀胱がん（BCa）の発生と進行に重要な役割を果たす。しかし、臨床で使えるユビキチン化関連の予後モデルはまだ少ない。本研究は、機械学習を用いて BCa のユビキチン化関連予後シグネチャーを構築することを目的とした。BCa のトランスクリプトームを、10 種類の機械学習アルゴリズムと 101 通りのパラメータの組み合わせで解析した。予後モデルの検証には、時間依存性の受信者動作特性曲線、Kaplan-Meier 生存解析、ノモグラムの構築、多変量 Cox 回帰を用いた。生物学的な機能を調べるため、免疫微小環境の解析（CIBERSORT アルゴリズム）と遺伝子セット濃縮解析（GSEA）を行った。治療標的の候補を探すため、分子ドッキングも行った。分子ドッキング実験には、PubChem の化合物ライブラリ、Protein Data Bank の構造、CB-DOCK2 プラットフォームを用い、潜在的な薬剤標的を絞り込んだ。その後、実験による検証も行った。検証には、ポリメラーゼ連鎖反応（PCR）、細胞遊走アッセイ（Transwell アッセイと創傷治癒アッセイ）、細胞増殖の評価（コロニー形成アッセイと CCK-8 アッセイ）を用いた。トランスクリプトーム解析で、BCa に特有のユビキチン化関連の発現変動遺伝子（DEG）が 106 個見つかった。このうち、単変量 Cox 回帰で予後に関わる 9 遺伝子を絞り込んだ。機械学習で作ったユビキチン化関連の予後シグネチャーは、従来の臨床的予測因子より性能が高かった。このユビキチン化関連の予後シグネチャーにより、BCa 患者を高リスク群と低リスク群に正確に層別できた。ドッキング計算では、E3 ユビキチンリガーゼ NRDP1 と古典的な薬剤の間に強い結合親和性が示された。特に、NRDP1 をノックダウンすると BCa 細胞の遊走能が大きく低下した。本研究では、機械学習による BCa の予後モデルを作り、NRDP1 を BCa の重要な予後因子かつ治療標的として特定した。また、機械学習とユビキチン化生物学を組み合わせる価値を示した。
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：Zhong Z, Zheng F, Li S, He J, Yuan Y, Deng X, et al. Machine learning-driven identification of a ubiquitination-related prognostic signature and potential target NRDP1 in bladder cancer. Sci Rep. 2026 Oct 5;16(1):30948. doi:10.1038/s41598-026-67956-2.確認の範囲：抄録のみ確認