AIとがん研究 ── 膵がん ── 2026-10-09

対象誌と選び方は索引の頁に

膵がんの治療・治験とAI

• 深層学習で日常の病理組織像から推定する膵がんの臨床的に重要な分子サブタイプ
  Inferring clinically relevant molecular subtypes of pancreatic cancer from routine histopathology using deep learning
  Communications Medicine · 2026-10-06 · 証拠の段階: 後ろ向きの観察（既存コホートを用いたモデル開発、交差検証と外部検証）
  抄録（全訳）

  膵管腺がんには、classical 型と basal-like 型という分子サブタイプがある。両者は予後と治療への反応が異なる。ただし、トランスクリプトームによるサブタイプ分類には制約がある。費用がかかり、結果が出るまで時間がかかり、組織も必要になる。本研究の目的は、これらの分子表現型を深層学習で推定できるかを調べることである。推定には、日常的に作るヘマトキシリン・エオジン染色の全スライド画像を直接用いた。

  組織像と RNA シーケンスのデータがそろった 689 例を解析した。内訳は、Pancreatic Cancer Action Network コホート（n = 506）と The Cancer Genome Atlas（n = 183）である。分子サブタイプは、Moffitt の 50 遺伝子シグネチャーで定め、GATA6 の発現で精緻化した。PanSubNet は、細胞の形態と組織の構築を統合し、組織像からサブタイプを予測する。モデルの学習には、判定の信頼度が高い 171 例を用いた。内部評価は5分割交差検証で行った。さらに、信頼度の高い外部の 75 例で独立に評価した。性能は分類指標で評価した。生存との関連は、Kaplan–Meier 解析と log-rank 検定で調べた。

  PanSubNet は、信頼度の高い classical 型と basal-like 型の腫瘍を見分けた。受信者動作特性曲線下面積（AUC）の平均は、内部検証で 90.3%、独立した外部検証で 84.0% であった。モデルは、中間的な転写状態に関連する特徴もとらえていた。転移例では、PanSubNet が予測したサブタイプで全生存期間が有意に層別化された。PanSubNet は、トランスクリプトーム解析のサブタイプと結果が食い違う症例のなかでも、悪性度の高い腫瘍を見分けた。PanSubNet を使えば、日常の組織像から直接分子サブタイプを分類できる。トランスクリプトーム解析を補う、速くて組織を節約できる方法になる。この手法を使えば、生物学的な情報に基づく層別化を、より多くの患者に届けられる可能性がある。分子検査が限られる場合や現実的でない場合に、特にそうである。

  膵がんは、いくつかの生物学的なグループに分けられる。グループによって、病気の悪性度や治療への反応が異なる可能性がある。これらのグループは、通常は遺伝子発現検査で判定する。しかし、この検査は費用がかかり、時間もかかる。採取できる組織が少ないと実施も難しい。著者らは、日常の顕微鏡スライドからこれらのグループを直接予測する人工知能の手法、PanSubNet を開発した。モデルの学習と検証には、独立した二つのデータセットを使った。対象は、組織スライドと遺伝子発現データの両方がある患者である。PanSubNet は膵がんの主要なサブタイプを正確に判別した。中間的な生物学的性質をもつ腫瘍に関連する特徴もとらえた。この手法により、腫瘍のプロファイリングがより速く、より受けやすくなる可能性がある。分子検査が限られる場合や実施できない場合には、将来の治療計画を支援できるかもしれない。

  掲載誌の IF 相当：6.0（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）
  書誌：Akbar AR, Leyva A, Esnakula A, Hasanov E, Noonan A, Meng L, et al. Inferring clinically relevant molecular subtypes of pancreatic cancer from routine histopathology using deep learning. Commun Med. 2026 Oct 6 [Epub ahead of print]. doi:10.1038/s43856-026-01952-5.
  確認の範囲：抄録のみ確認
• 膵管腺がんにおける早期肝転移を予測するための、深層学習に基づく CT シグネチャー
  Deep learning CT signature for predicting early liver metastases in pancreatic ductal adenocarcinoma.
  Nature communications · 2026-09-08 · 証拠の段階: 観察研究（多施設コホート、傾向スコアマッチングを含む。後ろ向きか前向きかは抄録に明記なし）
  抄録（全訳）

  膵管腺がん（PDAC）では、早期肝転移（ELM）のリスクを正確に予測することが重要である。術前補助療法（NAT）の恩恵を最も受けやすい患者を見極めることも重要である。著者らは、ELM のリスクを評価する Mamba ベースの予測モデルを開発した。このモデルは、膵臓の原発腫瘍と肝臓の両方の画像特徴を統合する。評価には、PDAC 患者 1063 例の多施設コホートを用いた。モデルは ELM の予測で安定した性能を示した（AUC 0.806〜0.890）。また、モデルが高リスクと判定した患者では、無増悪生存期間（PFS）が有意に短かった（ハザード比 1.93、P < 0.001）。全生存期間（OS）も有意に短かった（ハザード比 1.89、P < 0.001）。特に、モデルが高リスクと判定した患者では、NAT で OS が有意に改善した（17.4 か月 対 34.1 か月、P < 0.001）。この差は、傾向スコアマッチング後も有意であった（P = 0.004）。一方、低リスクの患者では生存上の利益はみられなかった。画像とトランスクリプトームを組み合わせた解析では、高リスク群の生物学的な悪性度が相対的に高いことも分かった。以上から、この Mamba ベースの枠組みで ELM を正確に予測できる。NAT の恩恵を最も受けやすい PDAC 患者を見極める、臨床で実際に使えるツールになる可能性がある。

  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：Zhao B, Gong Z, Xiao W, Chen M, Huang S, Zhu L, et al. Deep learning CT signature for predicting early liver metastases in pancreatic ductal adenocarcinoma. Nat Commun. 2026 Sep 8;17(1):10596. doi:10.1038/s41467-026-77665-z.
  確認の範囲：抄録のみ確認

← この号の目次へ