AIとがん研究 ── 2026-10-10
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（2） · 膵がん（1） · 前立腺がん（2） · 腺様嚢胞癌（0） · 脳腫瘍（0） · 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（0）
がん一般の分子生物学の進展とAI
- MRI-based artificial intelligence for primary tumor origin prediction in brain metastases: a systematic review and diagnostic meta-analysis抄録（全訳）掲載誌の IF：不明（照合できず）書誌：[No authors listed]. MRI-based artificial intelligence for primary tumor origin prediction in brain metastases: a systematic review and diagnostic meta-analysis. Open Science Framework. [Epub ahead of print]. doi:10.17605/osf.io/kz95c.確認の範囲：抄録のみ確認
- De Novo Design of a TROP-2-Targeting Peptide PET Tracer via AI-Guided Binding Interface Mimicry抄録（全訳）掲載誌の IF 相当：3.7（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Lin Z, Yang Z, Ma S, Lin X, Zhang Q, Miao W, et al. De Novo Design of a TROP-2-Targeting Peptide PET Tracer via AI-Guided Binding Interface Mimicry. Bioconjugate Chemistry. 2026 Oct 8 [Epub ahead of print]. doi:10.1021/acs.bioconjchem.6c00394.確認の範囲：抄録のみ確認
乳がんの治療・治験とAI
- Multimodal Gene Expression Deep Learning for Predicting Sentinel Lymph Node Macro-metastasis in Early Breast Cancer: Development and Validation in the SCAN-B Cohort抄録（全訳）掲載誌の IF 相当：2.2（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Zhang D, Staaf J, Bendahl PO, Dihge L, Ohlsson M, Sjöström M, et al. Multimodal Gene Expression Deep Learning for Predicting Sentinel Lymph Node Macro-metastasis in Early Breast Cancer: Development and Validation in the SCAN-B Cohort. Clinical Cancer Research. 2026 Oct 8 [Epub ahead of print]. doi:10.1158/1078-0432.ccr-26-1134.確認の範囲：抄録のみ確認
- Machine learning model for the prediction of pathological complete response after neoadjuvant chemotherapy in breast cancer抄録（全訳）掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Reisig E, Cai L, Müller M, Schäfgen B, Pfob A. Machine learning model for the prediction of pathological complete response after neoadjuvant chemotherapy in breast cancer. BMC Cancer. 2026 Oct 8 [Epub ahead of print]. doi:10.1186/s12885-026-17115-7.確認の範囲：抄録のみ確認
肺がんの治療・治験とAI
- Noninvasive prediction of acquired EGFR T790M in lung adenocarcinoma using multimodal CT radiogenomics抄録（全訳）
背景：上皮成長因子受容体チロシンキナーゼ阻害薬（EGFR-TKI）の第 1・第 2 世代には、やがて耐性が生じる。耐性化の後に獲得性の EGFR T790M を検出できれば、次の治療を選ぶ手がかりになる。著者らは、増悪時に検出される T790M を予測するモデルを作った。このモデルは、複数の情報を組み合わせたコンピュータ断層撮影（CT）モデルである。加えて、後の時期に治療を受けた患者で時間的検証を行った。
方法：この研究は後ろ向き研究である。対象は、第 1・第 2 世代 EGFR-TKI で治療した肺腺がん患者 198 例である。患者を治療時期の順に、開発コホート（n = 139）と時間的検証コホート（n = 59）に分けた。モデルには次の 4 種類の情報を用いた。組み合わせた変数は、臨床変数、CT の読影所見、手作業で設計したラジオミクス特徴量、深層特徴量である。深層特徴量は 2.5 次元の ResNet18 ネットワークで抽出した。これらをエラスティックネット・ロジスティック回帰で統合した。動的モデルには、早期の治療効果とデルタラジオミクス特徴量（画像特徴量の変化量）も加えた。
結果：ベースラインのマルチモーダルモデルでは、受信者動作特性曲線下面積（AUC）は開発コホートで 0.881、検証コホートで 0.856 だった。動的モデルの AUC は、それぞれ 0.914 と 0.889 だった。時間的検証では、動的モデルの感度は 0.867、特異度は 0.862 だった。動的モデルの AUC はベースラインモデルより数値上は高かった。ただし、差は統計的に有意ではなかった（P = 0.184）。T790M の予測確率が高い患者には、次の 3 点がみられた。EGFR エクソン 19 欠失を有すること、早期の腫瘍縮小が大きいこと、無増悪生存期間が長いことである。 結論予測の対象は、第 1・第 2 世代 EGFR-TKI による治療後、増悪時に検出される T790M である。早期の治療効果とデルタラジオミクスを加えると、判別能は数値上改善した。実臨床で遺伝子の再検査を判断する材料に使うには、その前に前向きの多施設検証が必要である。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Noninvasive prediction of acquired EGFR T790M in lung adenocarcinoma using multimodal CT radiogenomics. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23249913.確認の範囲：抄録のみ確認 - AI-assisted systems pharmacology with experimental validation reveal multi-target anticancer mechanisms of Ganoderma lucidum extracts against lung cancer.抄録（全訳）
薬用キノコの霊芝（Ganoderma lucidum）は、生理活性をもつトリテルペノイドと多糖類を豊富に含む。肺がんは複雑で、適応による耐性も生じる。そのため、複数のがん化経路を同時に阻害する治療戦略が必要である。本研究は、ネットワーク解析と人工知能（AI）を組み合わせたシステム薬理学の手法を用いた。目的は、霊芝の化合物が複数の標的に作用してがんを抑える機序の解明である。生理活性をもつ代謝物をスクリーニングし、その標的を肺がん関連遺伝子と統合した。これをもとに、化合物‐標的‐経路のネットワークを構築した。主要な相互作用は、AI を用いた分子ドッキングで検証した。多標的と予測された上位の化合物は、非小細胞肺がん細胞株 H1299 で機能を検証した。検証には、細胞生存率、遊走能、ウエスタンブロットの各アッセイを用いた。その結果、相乗的に働く 67 の標的からなるネットワークが得られた。このネットワークには PIK3CA、STAT3、EGFR、TP53 などが含まれる。増殖、アポトーシス、免疫回避の経路を同時に調節する。トリテルペノイドのうち、lucidumol A や ganoderic acid A などが中心的な作用成分であった。これらは複数のシグナル伝達ハブに結合できる。これらの代謝物と標準化した霊芝抽出物は、がん化シグナルを相乗的に阻害した。具体的には、細胞増殖を抑えた（抽出物の IC50 = 1669 μg/mL）。また、遊走を抑え、STAT3 のリン酸化と c-Myc の発現を減らした。これらの真菌由来の代謝物は、複数の標的に作用する強い腫瘍抑制作用を示す。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Wang H, Chen L, Zhang S, Ju M, Feng J, Tang Z, et al. AI-assisted systems pharmacology with experimental validation reveal multi-target anticancer mechanisms of Ganoderma lucidum extracts against lung cancer. Mycology. 2026 Mar 6;17(3):773-93. doi:10.1080/21501203.2026.2634522; PMCID: PMC13647369.確認の範囲：全文を確認
膵がんの治療・治験とAI
- Deep Learning Classification of Pancreatic Cancer Cells Over a Progression of Epithelial to Mesenchymal States by Deformability Cytometry Under Microfluidic Viscoelastic Flows抄録（全訳）
上皮間葉転換（EMT）の途中には、中間状態やハイブリッド状態がある。この段階のがん細胞を分類すると、細胞の不均一性、可塑性、浸潤性が分かる。分類はタンパク質マーカーの免疫蛍光イメージングでできる。しかし処理能力が低く、試料の不均一性にも制約される。EMT では、線維状タンパク質が細胞内で再配置される。その結果、細胞の力学的性質が変わる。そこで著者らは、新しい計測法を作った。マイクロ流体の粘弾性流れの中を細胞が流れ、変形してから元の形に戻る。この一連の領域で、単一細胞を連続して撮像する。変形と回復の連続した領域での単一細胞イメージングを、複数領域を扱う深層学習の枠組みと組み合わせた。こうして EMT の段階を高い処理能力で分類できるようにした。入力には 3 種類のデータを用いた。入力は、形態計測の形状記述子、細胞形状の二値マスク、細胞内のテクスチャを保持した明視野画像である。
EMT が進むと核が大きくなり、細胞は硬くなる。それでも、EMT の誘導が進んだ膵がん細胞ほど、大きく変形し、等方的な形へ速く緩和できる。これは、細胞骨格の周囲でビメンチンが再配置されるためと推測される。
モデルには、畳み込みによる特徴抽出と、注意機構による領域の集約を組み合わせた構造を用いた。このモデルにより、細胞の変形と緩和が中間的な EMT 状態の分類にどう寄与するかを捉えた。分類の手がかりは、細胞全体の幾何学的情報と、細胞骨格の再構築に関連する細胞内テクスチャである。
比較対象は、単一領域のイメージングフローサイトメトリーと、スカラー値の変形能指標である。これらと比べ、本法は中間的な EMT 状態の分類を改善した。本法は、注意機構を用いて、複数の領域で変形と緩和の動態を測る方法である。中間的な EMT 状態は、転移に向けた可塑性が最も高い状態である。
掲載誌の IF 相当：5.6（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Jarmoshti J, Gao H, Zeinali N, Siddique A, Adair SJ, Bauer TW, et al. Deep Learning Classification of Pancreatic Cancer Cells Over a Progression of Epithelial to Mesenchymal States by Deformability Cytometry Under Microfluidic Viscoelastic Flows. Advanced Intelligent Systems. 2026 Oct 7 [Epub ahead of print]. doi:10.1002/aisy.70573.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- Cross-attention fusion of biparametric MRI sequences with demographic and clinical variables for patient-level classification of clinically significant prostate cancer抄録（全訳）
臨床的に意義のある前立腺がん（csPCa）のリスクを、バイパラメトリック MRI で患者単位に正確に層別化するのは、まだ難しい。既存の手法の多くには、二つの問題がある。費用のかかる病変単位のアノテーションを必要とすること、または、時期を隔てた大規模コホートで評価されていないことである。著者らは、患者単位で csPCa を分類するマルチモーダル深層学習の枠組みを開発し、検証した。入力は、MRI の 3 種類のボリュームと 3 つの変数である。MRI は T2 強調像（T2w）、拡散強調像（DWI）、見かけの拡散係数（ADC）である。変数は年齢、前立腺特異抗原（PSA）、PSA 密度（PSAD）である。学習に病変単位のアノテーションは使っていない。
対象は、後ろ向きの開発コホート 3,939 検査と、独立した時間的検証コホート 1,409 検査である。検証コホートの検査は、13 施設で前向きに取得された。モデルには、シーケンスごとに 3 つのエンコーダーがある。これらを非対称なクロスアテンションで融合する。学習には 2 段階の転移学習を用いた。
人口統計・臨床変数を加えると、MRI だけのモデルより性能が一貫して高くなった。補完する因子として最も情報量が多かったのは PSAD である。PSAD は主に特異度を高めた。最も性能が高かったのは、MRI、年齢、PSA、PSAD をクロスアテンションで組み合わせたモデルである。受信者動作特性曲線下面積（AUC）の平均は、後ろ向きのホールドアウト・テストセットで 0.765 ± 0.006 だった。独立した時間的検証コホートでは 0.741 ± 0.006 だった。
事後のサブグループ解析では、順位にもとづく判別能（AUC）は、大半の層でおおむね安定していることが示唆された。ただし、固定した閾値での感度と特異度は、層によって大きくばらついた。Grad-CAM マップでは、クロスアテンションを用いると疑わしい領域との重なりが多い傾向が、定性的に示された。
これらの結果から、PSAD を取り入れた患者単位のマルチモーダルモデルは有望といえる。バイパラメトリック MRI で csPCa のリスクをより精緻に層別化する手段として、実用になりうる。ISUP グレードグループ 1 の病変を臨床的に意義ありと誤って分類する偽陽性を減らせる可能性もある。
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：Dimitriadis A, Kalliatakis G, Osuala R, Kessler D, Diaz O, Mazzetti S, et al. Cross-attention fusion of biparametric MRI sequences with demographic and clinical variables for patient-level classification of clinically significant prostate cancer. Sci Rep. 2026 Oct 8 [Epub ahead of print]. doi:10.1038/s41598-026-71998-x.確認の範囲：抄録のみ確認 - Multi-institutional Patient-level Comparison of Decipher Genomic Classifier and Artera Multimodal Artificial Intelligence (MMAI) in Prostate Cancer抄録（全訳）
重要性：Decipher前立腺ゲノム分類器（GC）とArteraAIマルチモーダル人工知能（MMAI）プラットフォームは、限局性前立腺がん（PCa）の予後予測ツールとして広く使われている。しかし、同じ患者集団で両者を直接比べた研究はこれまでなかった。
方法：限局性または少数転移（オリゴメタスタティック）の前立腺がん患者を対象とした。多施設のコホートを合わせて計688例である。この集団で、GCとMMAIがどの程度一致するか、どの程度予後を予測できるかを評価した。コホートには、アフリカ系米国人の患者が多い集団と、東アジア人の患者が多い集団も含まれる。GCとMMAIのスコアは、検体の種類ごとにリスク群に分けた。検体は生検と根治的前立腺全摘除術（RP）の2種類である。主要評価項目は無遠隔転移生存期間（DMFS）とした。主要評価項目は遠隔転移なし生存期間（DMFS）で、診断から最終追跡または イベント発生までの期間として測った。
結果：複数のコホートで、GCとMMAIのスコアは有意に相関した。Moffitt RP、生検、NCCSの各コホートでは、MMAIとGCのいずれも単独で予後と関連した。臨床因子で調整した後も、この関連は残った。両バイオマーカーと臨床因子をすべて含めて多変量解析を行った。Moffitt RPコホートでは、GCを考慮してもMMAIは有意であった。Moffitt生検コホートでは境界域であった。GC と MMAI の結果が一致する例と、一致しない例に分けても解析した。その結果、GC と MMAI の両方で高リスクの患者は、定性的に経過が悪かった。パスウェイ解析では、Moffitt RP コホートと少数転移の患者で、GC・MMAI との一致度が高かった。生検の2コホートでは、いずれも大半の生物学的パスウェイが一致した。一方で、シグナル伝達、代謝、DNA修復のパスウェイでは一貫して不一致がみられた。
結論：本研究は、前立腺がんでGCとMMAIを患者単位で直接比べた初めての研究である。両バイオマーカーは中程度に相関した。いずれのバイオマーカーも、多様な集団と病態で予後予測能を示した。
掲載誌の IF 相当：2.2（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Hong BH, Olabumuyi AA, Zhao SG, Trivedi P, Putney R, Katende E, et al. Multi-institutional Patient-level Comparison of Decipher Genomic Classifier and Artera Multimodal Artificial Intelligence (MMAI) in Prostate Cancer. Clinical Cancer Research. 2026 Oct 8 [Epub ahead of print]. doi:10.1158/1078-0432.ccr-26-2269.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
この号では、新しい該当論文はありませんでした。
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
- CT venous-phase radiomics for preoperative differentiation of early and advanced gastric cancer: construction, comparison, and validation of machine-learning models抄録（全訳）
目的：CT静脈相画像をもとに、複数のラジオミクスモデルを作る。これらのモデルで、胃がん（GC）が胃壁のどの深さまで浸潤しているかを定量的に評価する。早期（T1〜T2期）と進行（T3〜T4期）の胃がんを見分ける性能も、機械学習モデルの間で比べる。頑健で解釈しやすいモデルを見つけ、臨床応用の可能性を評価することをねらいとした。
方法：後ろ向き研究である。対象は、2022年1月から2025年5月に治療を受け、病理で胃がんと確定した223例である（早期66例、進行157例）。7:3の層別無作為抽出で、訓練セット（n = 156）と内部ホールドアウトテストセット（n = 67）に分けた。全例が手術前1週間以内に造影CTを受けた。静脈相の画像を選び、3D Slicerで腫瘍を含む三次元の関心領域（ROI）を手作業で描出した。このROIからラジオミクス特徴量を抽出した。データリークを厳密に防ぐため、前処理はすべて訓練セットの中だけで行った。前処理には、特徴量の標準化、LASSOによる特徴量選択、ハイパーパラメータ調整、閾値の決定が含まれる。これらはパイプライン方式でまとめ、5分割交差検証を用いた。さらに、層別交差検証を50回繰り返し、特徴量選択の安定性を評価した。作った機械学習モデルは4種類である。ロジスティック回帰（LR）、ランダムフォレスト（RF）、XGBoost（XGB）、サポートベクターマシン（SVM）を用いた。性能はROC曲線、PR曲線、混同行列、決定曲線分析（DCA）で評価した。解釈性を得るため、LRモデルにSHAP解析を適用した。
結果：ラジオミクス特徴量を計107個抽出し、LASSO回帰でそのうち主要な23個を選んだ。特徴量選択の安定性も解析した。2個は50回すべてで選ばれた（頻度100%）。1個は98%以上の回で残った。全体では、選択頻度80%以上が6個、50%以上が8個であった。残りの特徴量は、選ばれるかどうかのばらつきが大きかった。 内部ホールドアウトテストセットでのLRモデルのAUCは0.926（95% 信頼区間 0.860〜0.978）であった。次いでSVM（AUC 0.915、95% 信頼区間 0.848〜0.973）、RF（AUC 0.893、95% 信頼区間 0.814〜0.960）、XGBoost（AUC 0.889、95% 信頼区間 0.806〜0.956）の順であった。DeLong検定では、4モデルのAUCに統計的な有意差はなかった（すべてP > 0.05）。LRとRFの差（AUC差 0.033、P = 0.051）は、数値上のわずかな差にすぎない。LRが統計的に優れていることを示すものではない。 LRモデルの性能は、指標の間でバランスがよかった。正診率0.836、感度0.830、特異度0.850であった。陽性的中率（PPV）は0.929、陰性的中率（NPV）は0.680であった。F1スコアは0.876、平均適合率（AP）は0.972であった。特に、偽陰性率はLRが最も低かった（17.0%）。これにより、進行胃がんを過小治療する臨床上のリスクを最小限に抑えられる。 Hosmer-Lemeshow検定では、ランダムフォレスト（P = 0.586）、XGBoost（P = 0.081）、SVM（P = 0.213）の各モデルで較正が良好であった。一方、ロジスティック回帰モデルには較正のずれがみられた（P < 0.001）。ただし、LRモデルの較正には問題があった。それでも、LRモデルは識別能に優れ（AUC = 0.926）、二値分類器として臨床で有用であることが支持される。DCAでは、4モデルすべてに臨床的有用性があった。LRモデルは、閾値確率の大半の範囲で良好な正味の利益を示した。SHAP解析では、LeastAxisLengthやSurfaceVolumeRatioなど、選ばれた特徴量の寄与の向きを確かめた。その向きは病理学的な解釈と一致していた。
結論：CT静脈相画像から作った4つの機械学習モデルは、いずれも同程度の識別能を示した。DeLong検定で、モデル間のAUCに統計的な有意差はなかった（すべてP > 0.05）。LRモデルの予測性能が、統計的に優れていたわけではない。それでも、LRモデルは解釈しやすく、分類指標のバランスがよく、偽陰性のリスクが最も小さい。このため、臨床応用につながる可能性がほかのモデルより高かった。LRモデルは係数の構造が透明で、診断性能も良好である。術前の病期診断と治療方針の決定を補助する定量的なツールとして使える。胃がんを精密に診断・治療するための客観的な根拠にもなる。正式に臨床へ導入する前に、多施設での前向きな外部検証が欠かせない。
掲載誌の IF 相当：5.3（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：Zhang H, Liu Q, Lian W, Huang R, Zhao X, Li L, et al. CT venous-phase radiomics for preoperative differentiation of early and advanced gastric cancer: construction, comparison, and validation of machine-learning models. Cancer Imaging. 2026 Oct 8 [Epub ahead of print]. doi:10.1186/s40644-026-01132-7.確認の範囲：抄録のみ確認
肝臓がんの治療・治験とAI
- Concordance Between Large Language Models and Multidisciplinary Tumor Board Recommendations in Treatment Allocation for Hepatocellular Carcinoma抄録（全訳）
背景・目的： 肝細胞がん（HCC）の治療方針の決定はきわめて複雑である。そのため、多職種腫瘍検討会（MDT）の意見が必要になる。しかし、MDTを利用できるかどうかやその信頼性は、医療体制の中で一様ではない。大規模言語モデル（LLM）は、MDTを補助する臨床意思決定ツールの候補として注目されている。本研究の目的は、複数のLLMが出したHCC症例の治療推奨をMDTの決定と比べることである。
方法：ルーマニア・クルジュ＝ナポカの三次医療機関でMDTが検討したHCC 100例を、後ろ向きに解析した。4種類のLLMに、同じプロンプトと構造化した臨床情報を与えた。比較した LLM は、ChatGPT-5、カスタマイズした Tumor Board ChatGPT、Gemini 2.5 Flash、Gemini 2.5 Pro の4つである。各モデルに、同一の指示文と構造化した臨床情報を与え、治療の推奨を出させた。MDTの決定との一致は、第1・第2・第3の治療選択肢ごとに評価した。モデル間の差は、CochranのQ検定と、Holm法で調整した正確McNemar検定で評価した。偶然による一致を補正した一致度は、Cohenのカッパ（κ）で評価した。一致と臨床的な複雑さとの関連は、一般化推定方程式で調べた。
結果：第1推奨の一致率は、GPT-5が81%（95% 信頼区間 72.2〜87.5）、Gemini 2.5 Proが80%（71.1〜86.7）であった。TumorBoard ChatGPTは78%（68.9〜85.0）、Gemini 2.5 Flashは63%（53.2〜71.8）であった。上位3つまでの累積一致率は、ChatGPT-5、Gemini 2.5 Pro、Tumor Board ChatGPT、Gemini 2.5 Flash の順に、それぞれ95%、92%、95%、86%に達した。偶然を補正すると、GPT-5（κ = 0.754）とGemini 2.5 Pro（κ = 0.743）はかなりの一致を示した。Gemini 2.5 Flashの一致率は有意に低かった。BCLC（バルセロナ臨床肝がん）病期、Child-Pugh分類、腫瘍量、治療カテゴリーで調整した後も、この差は残った（p = 0.006）。一方、BCLC病期などの臨床的な複雑さを表す変数は、一致率と有意に関連しなかった。
結論：HCCのような複雑な疾患において、LLMはMDTの決定とおおむね中等度からかなりの一致を示した。モデル間には意味のある差があった。人による監督は欠かせない。そのうえで、LLMは一部の臨床の場で、専門家の判断を支えるツールになりうる。本研究は、肝がん診療を向上させるAIの可能性も示している。
掲載誌の IF 相当：2.1（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Grapa C, Mocan T, Leucuta DC, Mocan LP, Craciun R, Stefanescu H, et al. Concordance Between Large Language Models and Multidisciplinary Tumor Board Recommendations in Treatment Allocation for Hepatocellular Carcinoma. Livers. 2026 Oct 8;6(5):104. doi:10.3390/livers6050104.確認の範囲：抄録のみ確認 - Radiomics Model Based on Gd-DTPA-enhanced Multiparametric MRI Supports Noninvasive Pretreatment Prediction of Immunoscore in Hepatocellular Carcinoma.抄録（全訳）
序論：肝細胞がん（HCC）のイムノスコアを、治療前にGd-DTPA造影MRIで予測できるかを評価した。本研究は、組織を採取せずに、治療前に非侵襲的に予測できるかを検討した。
方法：手術を受けたHCC患者のうち、術前にGd-DTPA造影MRIを受けた例を後ろ向きに登録した。適格例は、3:1の割合で訓練セットと検証セットに無作為に割り付けた。CD3陽性細胞とCD8陽性細胞の密度は、免疫組織化学で定量した。中央値をカットオフとして、患者をイムノスコア高値群と低値群に分けた。マルチパラメトリックMRIの各シーケンスで、肝病変を含む関心体積を手作業で描出した。関心体積には、腫瘍内部と腫瘍周囲10 mmの辺縁を含めた。肝病変の領域を手作業で描出し、そこからラジオミクス特徴量を抽出した。臨床・病理データは電子カルテから取得した。サポートベクターマシン（SVM）で、3つの予測モデルを作った。(1) 腫瘍内ラジオミクスモデル（IRM）、(2) 腫瘍内と腫瘍周囲を合わせたラジオミクスモデル（CRM）、(3) 臨床因子とラジオミクスを組み合わせたモデル（CCRM）である。モデルの性能はDeLong検定で比べた。評価には、受信者動作特性曲線下面積（AUC）、較正曲線、決定曲線分析（DCA）を用いた。
結果：適格例111例のうち、83例を訓練コホート、28例を検証コホートに割り付けた。83例を訓練コホート、28例を検証コホートに割り付けた。背景因子はコホート間でバランスがとれていた。AUCは、CCRMが両コホートで最も高かった（訓練 0.947、検証 0.913）。CCRMをIRMと比べると、検証コホートでは有意に性能が高かった（p = 0.016）。訓練コホートでは有意差はなかった（p = 0.084）。CCRMをCRMと比べると、検証コホートでは有意に上回らなかった（p = 0.55）。一方、訓練コホートでは有意差がみられた（p = 0.036）。較正曲線は良好な一致を示した。DCAでは、CCRMとCRMの全体的な正味の利益は同程度であった。閾値確率46%〜98%の範囲で、両モデルの正味の利益はIRMより高かった。 考察： このラジオミクス手法から、日常診療で行うGd-DTPA造影MRIで、HCCのイムノスコアを術前に予測できる可能性が示唆される。これは、腫瘍の免疫学的な特徴を捉えるための予備的な根拠となる。
結論：腫瘍内と腫瘍周囲のMRI特徴量を統合したラジオミクスモデルで、HCCのイムノスコアを術前に非侵襲的に予測できる。このモデルは、個別化した免疫療法の方針決定を予備的に支える可能性がある。ただし、外部検証が必要である。
掲載誌の IF 相当：1.3（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Wang J, Jiang Y, Li Z, Xu D, Teng H, Meng H, et al. Radiomics Model Based on Gd-DTPA-enhanced Multiparametric MRI Supports Noninvasive Pretreatment Prediction of Immunoscore in Hepatocellular Carcinoma. CMIR. 2026 Sep 30;22. doi:10.2174/0115734056504350260925115431.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。