AIとがん研究 ── がん一般 ── 2026-10-08

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

• HSV-Net：状態空間モデルと自己教師あり視覚モデルの融合と段階的輪郭学習による CT 肺結節セグメンテーション
  HSV-Net: hybrid state-space and self-supervised vision fusion with progressive contour learning for CT pulmonary nodule segmentation
  Frontiers in Oncology · 2026-10-06 · 証拠の段階: 後ろ向きの観察（公開画像データを使ったモデル開発と交差検証）
  抄録（全訳）

  肺がん検診では、胸部 CT で肺結節をボクセル単位で正確に切り出す（セグメンテーション）必要がある。直径・体積の測定、増大の追跡、定量評価に使うためである。ただし、この作業はまだ難しい。結節は濃度、大きさ、血管や胸膜との接し方がさまざまである。しかも臨床で重要な形態は、薄くあいまいな辺縁に現れることが多い。

  既存の手法の多くは、輪郭の正確さと速さのどちらかを犠牲にしている。プロンプトで動く大規模な基盤モデルは、正確なこともあるが遅い。小型の CNN（畳み込みニューラルネットワーク）や SSM（状態空間モデル）のデコーダは効率がよい。しかし、スピキュラ（棘状の突起）やすりガラス状の境界をなめらかにしてしまいがちである。

  本研究では HSV-Net（Hybrid State-space–Vision Network）を作った。2 系統の処理経路（ストリーム）をもつ 3D ネットワークで、結節の位置を特定した後はプロンプトが要らない。SSM3D ストリームは、計算量が線形の状態空間ブロックでパッチ全体の文脈をとらえる。OrthoLoRA ストリームは、凍結した DINOv2 の特徴を横断・冠状・矢状の各断面のスライスに適応させる。2 つのストリームは Hybrid Gated Mixer（HGM）で融合し、その後 FPN（特徴ピラミッドネットワーク）で復号する。Progressive Contour Learning（PCL、段階的輪郭学習）では、次の 3 つを教師信号にする。重なりの一致度、符号付き距離場による形状、不確実性で重み付けした輪郭の精緻化を、それぞれ教師信号とする。

  開発には QIN Lung CT/QIN-LungCT-Seg の一部（10 例、n = 12 腫瘍）を使った。評価は患者単位の入れ子 5 分割交差検証（CV）で行った。128 × 128 × 64 のパッチで比べると、比較した手法の中で HSV-Net の成績が最も高かった。平均 Dice 係数は 90.1% ± 1.0%（95% 信頼区間 88.9〜91.3）、Boundary F1 は 86.3% ± 1.3% である。処理時間（レイテンシ）は 58 ms であった。同じ QIN の分割では、標準的な全ボリューム版 nnU-Net v2 のベースラインの Dice は 88.6% ± 1.0% だった。この値も HSV-Net には届かなかった。

  独立したベンチマークの LIDC-IDRI（186 例・294 結節）でも評価した。正解には、専門家の合意による体積マスクを使った。評価は LIDC 内での患者単位 5 分割 CV で、QIN から LIDC への転用ではない。HSV-Net は Dice 87.8% ± 1.1%、Boundary F1 83.6% ± 1.3% だった。全ボリューム版 nnU-Net（Dice 87.1% ± 1.0%）を上回った。LUNA16 は、輪郭の外部検証ではなく、大きさと位置を確かめる代替的な確認としてのみ残した。参照には直径を合わせた球体を使った。輪郭の外部検証には使っていない。

  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：Cheng L, Wan X. HSV-Net: hybrid state-space and self-supervised vision fusion with progressive contour learning for CT pulmonary nodule segmentation. Front Oncol. 2026 Oct 6;16:1964406. doi:10.3389/fonc.2026.1964406.
  確認の範囲：抄録のみ確認
• AI ネットワーク薬理学と in vitro・ex vivo 試験で明らかにした、コムギ（Triticum aestivum）由来の抗酸化・抗有糸分裂・血管新生抑制作用を示す低分子化合物
  Identification of Anti-Oxidative, Anti-Mitotic, and Anti-Angiogenic Compounds from Triticum aestivum via AI-Based Network Pharmacology and In Vitro Assays
  International Journal of Drug Delivery Technology · 2026-10-06 · 証拠の段階: 前臨床（in silico・in vitro・ex vivo）
  抄録（全訳）

  本研究は、AI を活用したネットワーク薬理学と、複数の段階での実験的検証（in vitro と ex vivo）を組み合わせた。目的は、コムギ若葉（ウィートグラス、Triticum aestivum）のヘキサン抽出物に含まれる低分子の治療上の可能性を明らかにすることである。

  AI 支援の化合物スクリーニング、分子ドッキング、パスウェイ濃縮解析で、生理活性をもつ成分を特定した。これらの成分は、乳がんに関連する標的と相互作用すると予測された。標的には SRC、AKT1、EGFR、TNF、IL-6 などがある。ネットワーク解析では、2 つの経路を同時に調節することが分かった。酸化ストレス応答の経路と、紡錘体形成チェックポイントである。さらに、血管新生を促すシグナルを妨げる可能性も示された。

  実験による検証で、これらの予測が確かめられた。抽出物は、フリーラジカルの消去活性が有意に高かった（DPPH アッセイ）。関連する細胞モデルでの COMET アッセイでは、酸化による DNA 損傷が減少した。抗有糸分裂作用は、in vitro の根端試験と ex vivo の CAM（漿尿膜）アッセイで認められた。CAM アッセイでは、血管新生の抑制も見られた。摘出ニワトリ眼球試験による ex vivo の毒性評価では、安全性は良好だった。ブラインシュリンプ致死試験でも、全身毒性は低かった。

  以上の結果から、ウィートグラスのヘキサン抽出物の低分子は、相乗的なしくみで抗がん作用を発揮することが示された。そのしくみは、酸化ストレスの軽減、有糸分裂停止の誘導、血管新生の阻害である。これらの知見は、AI による標的予測に裏付けられ、複数の生物学的モデルで検証された。この計算と実験を組み合わせた枠組みは、AI が植物由来化合物の治療薬探索と作用機序の理解を加速する点で有用であることを示す。植物化学成分に基づく治療薬の発見と作用機序の理解を、AI で速められる。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）
  書誌：[No authors listed]. Identification of Anti-Oxidative, Anti-Mitotic, and Anti-Angiogenic Compounds from Triticum aestivum via AI-Based Network Pharmacology and In Vitro Assays. IJDDT. 2026 Oct 6;16(64s). doi:10.25258/ijddt.16.64s.86.
  確認の範囲：抄録のみ確認

← この号の目次へ