AIとがん研究 ── 2026-10-08
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（1） · 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（1） · 胃がん（1） · 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
- HSV-Net: hybrid state-space and self-supervised vision fusion with progressive contour learning for CT pulmonary nodule segmentation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 - Identification of Anti-Oxidative, Anti-Mitotic, and Anti-Angiogenic Compounds from Triticum aestivum via AI-Based Network Pharmacology and In Vitro Assays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
乳がんの治療・治験とAI
- Artificial Intelligence for Prediction of Breast Cancer-Related Lymphedema: A Systematic Review.抄録（全訳）
背景：乳がん関連リンパ浮腫（BCRL）は、生活の質と身体機能を損なう。予防的な介入のためには、早期発見が重要である。人工知能（AI）モデル、とくに機械学習と深層学習は、BCRL の予測と個別のリスク層別化を改善できる可能性がある。本システマティックレビューでは、BCRL の予測への AI の応用を評価した。データが得られた場合には、報告された性能を従来の診断法や AI を用いない方法と比べてまとめた。
方法：「システマティックレビューとメタアナリシスの優先報告項目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）」ガイドラインに従った。2024 年 7 月に、MEDLINE、EMBASE、Cochrane Library、Google Scholar で文献を検索した。検索には、乳がん、リンパ浮腫、AI に関するキーワードを用いた。事前に定めた組み入れ基準と除外基準で、関連する研究をスクリーニングして選んだ。解析用に、正確度、感度、特異度などの性能指標を抽出した。
結果：2018〜2024 年の 7 研究（患者 5284 例）を組み入れた。BCRL の分類性能を報告した研究は 5 件だった。これらでの AI モデルの正確度は 81%〜93.75%（平均 87.2%）であった。平均感度は 85.5%、平均特異度は 87.6% だった。よく報告された予測因子は、体格指数（BMI）が高いこと、リンパ節病変が多いこと、化学療法または放射線療法を受けたことであった。一部の研究では、若年と術前化学療法が、予測リスクの高さと関連していた。
結論：AI は、BCRL の早期発見とリスク層別化に有望である。ただし、現在のモデルはまだ探索的な段階で、臨床で確立したものではない。症例数の少なさ、データの不均一性、外部検証の欠如、較正（キャリブレーション）の不一致が課題である。臨床に取り入れる前に、次のものが必要である。より大規模な多施設データセット、評価方法の標準化、前向きの検証である。
掲載誌の IF 相当：1.2（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]. Artificial Intelligence for Prediction of Breast Cancer-Related Lymphedema: A Systematic Review. Plast Reconstr Surg Glob Open. [Epub ahead of print]. doi:10.1097/GOX.0000000000008132; PMCID: PMC13641666.確認の範囲：全文を確認 - Explainable and Interpretable Artificial Intelligence for Predicting Neoadjuvant Treatment Response in Breast Cancer抄録（全訳）
本システマティックレビューでは、説明可能・解釈可能な人工知能（AI）モデルを検討する。対象は、乳がんの術前（ネオアジュバント）全身治療への反応を予測するモデルである。組み入れる研究は、次の 2 つを満たすものとする。1 つは、病理学的完全奏効（pCR）か、RECIST（固形がんの治療効果判定基準）で明示的に定義した奏効を予測していること。もう 1 つは、予測モデルに説明可能性・解釈可能性の要素を明示的に組み込んでいることである。検討するのは次の点である。モデルの開発と検証の方法、説明の評価方法、臨床での使用を支える根拠。
検索するデータベースは、PubMed/MEDLINE、Embase.com、Scopus、Web of Science Core Collection、IEEE Xplore である。期間は、各データベースの開始時点から最終検索日までとする。データベース側で、言語や出版年の制限はかけない。データベース検索に加えて、引用文献と被引用文献をたどる検索（後方・前方の引用検索）も行う。対象は査読付きの学術誌論文とする。早期公開版や印刷中（article-in-press）の論文も、内容が確定していれば含める。
2 名のレビュアーが、それぞれ独立に記録をスクリーニングし、全文を評価する。データ抽出は CHARMS（予測モデル研究のレビュー用データ抽出チェックリスト）に従う。研究の質、バイアスのリスク、適用可能性は、PROBAST+AI（予測モデル研究のバイアスリスク評価ツールの AI 版）で評価する。
統合では、次の項目を記述する。対象は、患者集団、治療、データの種類（モダリティ）、モデルの系統、説明手法、検証、較正、データ漏洩（リーケージ）対策、臨床応用に関する根拠である。pCR と RECIST で定義した転帰は、分けて統合する。統合は叙述的・記述的に行う予定で、メタアナリシスは事前に計画していない。
この登録は、承認済みのプロトコル（第 1.0 版、2026 年 9 月 30 日付）に沿っている。最終のデータベース検索は、登録後 7 日以内に行う予定である。2026 年 7 月 12〜21 日に、以前のスコーピングレビューのプロトコルで検索を行った。先行する範囲調査（スコーピングレビュー）の計画書で行った検索は、今回の計画書に置き換えられる。そこで得た記録や件数は、本レビューにも最終の PRISMA フロー図にも使わない。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Explainable and Interpretable Artificial Intelligence for Predicting Neoadjuvant Treatment Response in Breast Cancer. Open Science Framework. [Epub ahead of print]. doi:10.17605/osf.io/dzkfe.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
- Gene-structured histology for deriving and predicting pancreatic cancer molecular subtypes抄録（全訳）
膵管腺がん（PDAC）は、basal-like と classical の二つの状態に分子サブタイプとして分けられる。この分類は予後を左右する重要な因子である。ただ、トランスクリプトーム解析は費用がかかり、結果が出るまで時間もかかる。そのため、臨床での実装はまだ限られている。
日常の病理組織検査では、形態の特徴を豊富に捉えられる。一方、深層学習モデルは、遺伝子レベルの分子構造との間に、原理に基づく結びつきを欠くことが多い。
著者らは、グラフ制約を課した組織画像モデルを提案する。このモデルは、形態から得た潜在特徴を遺伝子共発現ネットワークに対応づけ、膵がんの分子サブタイプを予測する。ネットワークはデータから作った固定のものである。
遺伝子の構造をもつ出力は、遺伝子共発現の構造で制約された潜在特徴として解釈する。患者ごとの遺伝子発現を直接推定したものではない。遺伝子ネットワークとの整合を実データで確かめて得たものでもない。
掲載誌の IF 相当：50.3（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：Leyva A, Rehman Akbar A, Niazi MKK. Gene-structured histology for deriving and predicting pancreatic cancer molecular subtypes. Signal Transduct Target Ther. 2026 Oct 6;11(1):433. doi:10.1038/s41392-026-03051-2; PMCID: PMC13639034.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- MRI habitat analysis using interpretable machine learning models for ISUP grade group prediction in prostate cancer抄録（全訳）
前立腺がんの国際泌尿器病理学会（ISUP）分類を手術前に非侵襲的に予測するモデルを作り、その診断性能を評価した。モデルは、バイパラメトリック MRI（bpMRI）のハビタットイメージング（HI）に基づく。
2021 年 7 月〜2024 年 8 月に 2 施設で、病理で前立腺がんと確定した患者のデータを後ろ向きに集めた。集めたのは、臨床情報、病理結果、bpMRI（T2 強調画像［T2WI］＋拡散強調画像［DWI］）の特徴である。施設 1 の患者は、7:3 の比で訓練コホートと内部検証コホートに無作為に割り付けた。施設 2 の患者は外部検証コホートとした。
K-means クラスタリングでハビタット亜領域を分け、各亜領域から radiomics 特徴を抽出した。5 種類の機械学習アルゴリズムで予測モデルを作った。SHapley Additive exPlanations（SHAP）解析で、特徴の重要度を定量化し可視化した。
全モデルについて、ISUP 分類の予測性能を ROC（受信者動作特性）解析で評価した。さらに、較正曲線と決定曲線解析で、モデルの較正と臨床上の正味の利益を評価した。
登録患者は計 412 例である。内訳は、訓練コホート 196 例、内部検証コホート 82 例、外部検証コホート 134 例である。
多変量解析で、ISUP 分類の独立した予測因子が二つ見つかった。総前立腺特異抗原（tPSA）（オッズ比 1.041、P < 0.001）と ADC 比（オッズ比 < 0.001、P < 0.001）である。ADC 比は、腫瘍の平均見かけの拡散係数（ADC）を正常組織の平均 ADC で割った値である。
作った 40 の予測モデルのうち、最も性能が高かったのは統合モデルである。このモデルは、臨床因子、従来の画像特徴、T2WI ハビタット亜領域 3 から得た radiomics 特徴を統合している。統合モデルの曲線下面積（AUC）は、訓練コホートで 0.867、内部検証コホートで 0.900、外部検証コホートで 0.826 だった。予測性能と臨床上の正味の利益も、ほかのすべてのモデルより優れていた。
臨床・画像・ハビタット radiomics の特徴を統合した bpMRI ベースの統合モデルにより、前立腺がんの ISUP 分類を術前に非侵襲的に予測できる。手術前の治療方針を個別に決める際の補助ツールになりうる。
掲載誌の IF 相当：3.8（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：Chen S, Wang Y, Chen H, Cui J, Jiang K, Shen L, et al. MRI habitat analysis using interpretable machine learning models for ISUP grade group prediction in prostate cancer. BMC Med Imaging. 2026 Oct 6 [Epub ahead of print]. doi:10.1186/s12880-026-02870-7.確認の範囲：抄録のみ確認 - Linking Artificial Intelligence (AI)–derived risk phenotypes to prostate cancer care pathways: Implications for treatment intensity and healthcare operations抄録（全訳）
前立腺がんを効率よく管理するには、リスク層別化が欠かせない。層別化の結果は、臨床判断、診療計画、資源配分のよりどころになる。しかし、既存の手法は治療強度、診療経路、その後の資源利用を取り込めていないことが多い。医療システムを支えるには、これらの情報が必要である。
本研究では、無作為化比較試験に登録された男性 4,579 例のデータに STRATA-PC を適用した。STRATA-PC は、治療を考慮し、生存情報を取り入れた表現型分類の枠組みである。前立腺特異抗原（PSA）と直腸診（DRE）の経時的な推移、ベースラインの臨床特性を用いる。これにより、臨床的に解釈できるリスク表現型を導く。そのうえで、データから導いたリスク群が、実臨床の前立腺がんの診療経路や資源利用とどう関係するかを検討した。
STRATA-PC は、全生存と前立腺がん特異的死亡について高い識別能を示した。また、互いにはっきり分かれる三つの表現型を見つけた。
低リスク表現型（C0）では、経過観察が中心の診療経路をとる。根治治療は遅れるか、行われない。直近の臨床的緊急性が低く、外来での経過観察が続くことを反映している。
高リスク表現型（C1）では、根治治療を早く始め、集学的治療を多く用いる。治療後に治療を強化する可能性も高い。近い将来に需要が集中し、調整の複雑さも増すことを示している。
中間リスク表現型（C2）では、治療開始が遅れる。長い経過観察の後に、遅れて集学的治療へ強化される可能性が高い。治療開始は遅れ、その後の資源利用は先送りされるが、より複雑になる移行的な診療経路である。
本研究は、STRATA-PC で導いた表現型を医療運営の観点から検討した。比較した項目は、生存リスク、症状負担、治療法の選択、治療強化の挙動、診療開始の時期である。
これらの結果は、患者ごとのリスクの異質性が、診療経路と医療需要の構造的な差にどう結びつくかを示している。資源計画に生かせる知見になる。
掲載誌の IF 相当：0.7（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：Ghavidel A, Pazos P. Linking Artificial Intelligence (AI)–derived risk phenotypes to prostate cancer care pathways: Implications for treatment intensity and healthcare operations. IISE Transactions on Healthcare Systems Engineering. 2026 Oct 5 [Epub ahead of print]. doi:10.1080/24725579.2026.2740606.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
- Identification of Ferroptosis-Related Grade-Discriminative Biomarkers and a Prognostic Signature in Glioma via Integrative Machine Learning and Single-Cell Analyses抄録（全訳）
神経膠腫は、最も多い原発性悪性脳腫瘍である。なかでも膠芽腫（GBM）の 5 年生存率は 10% 未満である。
CGGA の発現プロファイル 693 件を解析した。このうち 692 検体で WHO グレードが分かっていた（GBM 249 例、低悪性度神経膠腫［LGG］443 例）。重み付き遺伝子共発現ネットワーク解析（WGCNA）には、693 件すべてを用いた。グレード別の発現差解析と機械学習によるスクリーニングには、グレードの分かる 692 検体を用いた。
スクリーニング段階の 5 分割交差検証では、ElasticNet が数値上最も性能の高い参照モデルだった（曲線下面積［AUC］= 0.852）。ただし、Random Forest と Ridge の性能もほぼ同じだった。このスクリーニングで、悪性度を判別する中核バイオマーカー 12 個（ALOX15、TFRC、GCLC、DPP8、MBOAT2、NCOA4、NOX5、PIK3CB、CISD2、AMD1、TFR2、TRAF6）が得られた。
パネル選択の後、12 遺伝子の ElasticNet モデルを、再現可能な層別化訓練セット（n = 486）のみで当てはめた。内部テストセット（n = 206）での AUC は 0.847（95% 信頼区間 0.790〜0.896）だった。ただし、上流の特徴探索はデータ分割の前に行っている。そのため、この内部推定はなお楽観的な可能性がある。プラットフォーム間で共通する固定サブセットは、独立した GSE16011 コホートで AUC 0.775 を示した。
仮想ノックアウト（scTenifoldKnk）により、TFRC、GCLC、TRAF6 の下流にある幹細胞性関連プログラム（SOX2、NES、PTPRZ1、TCF4）が、収束して摂動を受けることが示された。公開されている CRISPR-Cas9 スクリーニングデータ（DepMap、神経膠腫細胞株 67 株）も再解析した。その結果、NCOA4（49% の株）と TFRC（24%）に依存性のシグナルが見られた。
LASSO-Cox リスクスコアで患者を層別化すると、生存に有意な差が出た（ハザード比 3.75、時間依存 AUC 0.741〜0.791）。多変量解析でも、独立した予後予測能を示した（ハザード比 2.02）。
これらの結果は、生物学的に一貫したフェロトーシス関連パネルを支持する。一方で、前向きの検証が必要であることも強調している。
掲載誌の IF 相当：7.1（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：Wang M, Wu T, Wang D. Identification of Ferroptosis-Related Grade-Discriminative Biomarkers and a Prognostic Signature in Glioma via Integrative Machine Learning and Single-Cell Analyses. BioMedInformatics. 2026 Oct 6;6(5):87. doi:10.3390/biomedinformatics6050087.確認の範囲：抄録のみ確認
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
- APPROACHES TO THE USE OF ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS, STAGING, AND RISK STRATIFICATION OF ENDOMETRIAL CANCER: A LITERATURE REVIEW抄録（全訳）
意義：子宮体がん（EC）は、先進国の女性生殖器の悪性腫瘍で最も多いものの一つである。早期に見つかれば、予後は比較的よい。しかし前臨床段階での診断はまだ難しい。肥満や代謝異常、ほかの婦人科疾患がある患者では、特に難しい。従来の診断法は経腟超音波（TVUS）、子宮鏡、生検、磁気共鳴画像（MRI）などである。いずれも感度と特異度に限界がある。近年、人工知能（AI）技術が医用画像診断と病理診断に盛んに取り入れられている。AI を使うと子宮体がんの診断精度が上がり、主観的な要因の影響が減る。 本研究の目的は、子宮体がんの診断・術前病期診断・リスク層別化での AI 活用の現状をまとめることである。本総説は、TVUS、MRI、病理組織画像、ラジオミクスデータの解析を対象とした。 対象と方法： 過去 10 年間に PubMed と Cochrane Library に収載された学術論文を、系統立てて分析した。最終的に 22 報をレビューに含めた。いずれも子宮体がんの診断・病期診断・リスク層別化への AI 応用を扱った論文である。
結果：AI モデルの性能は、使う検査法と検証方法によって異なった。個別の研究では、MRI データとデジタル病理組織画像を AI アルゴリズムで解析した。子宮内膜病変の良性と悪性の鑑別で、正確度は最大 90〜95% に達した。MRI に基づくラジオミクスモデルでは、腫瘍の悪性度（グレード）、筋層浸潤の深さ、リンパ管・血管侵襲、リンパ節転移を評価した。TVUS に基づくモデルの曲線下面積（AUC）は 0.80〜0.90 であった。子宮鏡と病理組織解析を扱った複数の研究では、モデルの性能が 90% を超えた。臨床・検査・画像のデータを統合すると、モデルの診断価値と予後予測価値が大きく上がった。
結論：TVUS、MRI、子宮鏡、デジタル病理組織のデータに AI を適用すると、解釈の正確さが向上する可能性がある。子宮体がんのリスク因子の術前評価に AI を適用した場合も、同様である。主観の影響を減らし、個別化治療の開発を進めやすくする可能性もある。ただし、多くのモデルはまだ研究段階の試作にとどまる。臨床に導入するには、多施設共同の前向き研究と解析法の標準化が必要である。複数種のデータを統合する AI モデル（マルチモーダル AI モデル）を、日常診療の流れに組み込むことも求められる。
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：Panshina E, Yurikova O, Toleshbayev D, Atambayeva S, Amankulov Z. APPROACHES TO THE USE OF ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS, STAGING, AND RISK STRATIFICATION OF ENDOMETRIAL CANCER: A LITERATURE REVIEW. Onkol radiol Kaz. 2026 Oct 6 [Epub ahead of print]. doi:10.52532/3135-3940-2026-3-765.確認の範囲：抄録のみ確認
胃がんの治療・治験とAI
- Performance of an Artificial Intelligence Program for Assessing the Depth of Early Gastric Cancer Using Endoscopic Images.抄録（全訳）
背景と目的： 早期胃がんの深達度は、治療方針を決める重要な因子である。内視鏡的切除にするか手術にするかも、深達度で決まる。著者らは、深層ニューラルネットワークを使った人工知能（AI）プログラムを開発した。内視鏡画像から、粘膜内がんと粘膜下層がんを診断するものである。臨床応用に向けて、性能を評価する試験を行った。 対象と方法： テストデータセットは早期胃がん 204 例で作った。2018〜2021 年に著者らの施設で内視鏡的切除か手術を受けた症例である。1 例あたり白色光観察（WLI）の画像を 5 枚以上使った（中央値 8 枚、範囲 5〜22 枚）。主要評価項目は、粘膜内がんを診断する感度とした。有用性の基準は、過去の早期胃がん深達度診断の報告をもとに決めた。感度の 95% 信頼区間の下限が 75% を超えれば、AI プログラムを有用とした。副次評価項目は特異度と正確度とした。
結果：このプログラムで粘膜内がんを診断する感度は 91.2% であった。感度の 95% 信頼区間の下限は 85.2% で、75% を上回った。このプログラムが有用であることが分かった。特異度は 66.2%、正確度は 82.8% であった。
結論：早期胃がんの深達度を診断するために開発した AI プログラムは有用である。臨床応用が期待される。
掲載誌の IF 相当：1.6（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：Hirata S, Hamada K, Kawahara Y, Aya Y, Nishio A, Yoshikawa T, et al. Performance of an Artificial Intelligence Program for Assessing the Depth of Early Gastric Cancer Using Endoscopic Images. Endosc Int Open. 2026 Sep 17;14(CP). doi:10.1055/a-2957-0692; PMCID: PMC13641218.確認の範囲：全文を確認
肝臓がんの治療・治験とAI
- Interpretable CT-Based Radiomics for Prediction of High-Affinity Neoantigens Associated Immunogenic States in Advanced Hepatocellular Carcinoma Treated with TACE Plus Targeted Therapy and Immunotherapy抄録（全訳）
目的：進行肝細胞がん（HCC）の HANS（高親和性ネオアンチゲン）の状態を、CT ラジオミクスに基づく機械学習モデルで非侵襲的に予測する。そのモデルを開発し、検証する。あわせて、HANS の状態に関連する予後とゲノムの特徴を調べる。 対象と方法： 後ろ向き研究である。対象は、肝動脈化学塞栓療法（TACE）を基盤とする 3 者併用療法を受けた進行 HCC の患者である。死亡か最終追跡時まで追跡した。腫瘍組織で全エクソーム解析を行い、HANS を算出した。ラジオミクス特徴量は動脈相の CT 画像から抽出した。LASSO 回帰（least absolute shrinkage and selection operator）で 3 つのモデルを作った。ラジオミクスモデル（HANS-Rad）、臨床モデル（HANS-Clin）、統合モデル（HANS-RC）を、LASSO 回帰で構築した。モデルの性能は受信者動作特性（ROC）曲線解析で評価した。信頼性と臨床的有用性は、較正解析と決定曲線解析で評価した。モデルの解釈には SHAP（Shapley Additive Explanations）を使った。予測された HANS サブグループの違いを探るため、ゲノム解析も行った。
結果：対象は 129 例で、年齢中央値は 54 歳（四分位範囲 44〜62 歳）、男性が 90% であった。全生存期間は、HANS-High 群が HANS-Low 群より長かった（中央値 23.0 か月対 10.0 か月、ハザード比 0.60、P = 0.026）。性能が最もよかったのは統合モデル HANS-RC である。曲線下面積（AUC）は訓練セットで 0.964、テストセットで 0.869（95% 信頼区間 0.716〜1.000）であった。ラジオミクス単独モデルと臨床モデルを上回った。このモデルは、較正も正味の利益（net benefit）も良好であった。ゲノム解析では、HANS-High の腫瘍で腫瘍遺伝子変異量（TMB）が高かった。免疫関連の経路とがん関連の経路の濃縮も見られた。一方、HANS-Low の腫瘍には、これとは異なる変異パターンと経路の変化があった。
結論：CT 画像を用いたラジオミクスベースの機械学習モデルにより、進行肝細胞がんの HANS の状態を非侵襲的に予測できる。このモデルは予後との関連が強い。予後との関連が強く、ゲノム解析により生物学的な解釈も裏づけられた。
掲載誌の IF 相当：5.3（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：Bian C, Qin Y, Zou H, Fan W, Li J. Interpretable CT-Based Radiomics for Prediction of High-Affinity Neoantigens Associated Immunogenic States in Advanced Hepatocellular Carcinoma Treated with TACE Plus Targeted Therapy and Immunotherapy. Cancers. 2026 Oct 6;18(19):3218. doi:10.3390/cancers18193218.確認の範囲：抄録のみ確認
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
この号では、新しい該当論文はありませんでした。