AIとがん研究 ── 2026-10-12
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（1） · 乳がん（0） · 肺がん（1） · 膵がん（1） · 前立腺がん（2） · 腺様嚢胞癌（0） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 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
- Longitudinal radiomics of liver metastases during magnetic resonance-guided radiotherapy.抄録（全訳）
背景と目的： MR ガイド下放射線治療（MRgRT）は、軟部組織のコントラストが高く、治療中の経過も観察できる。そのため、経時的なラジオミクス解析（画像から多数の定量的特徴量を取り出す解析）に向いている。本研究では、肝転移に体幹部定位放射線治療（SBRT）を行う間に、腫瘍と正常肝のラジオミクス特徴量が治療に伴ってどう変わるかを調べた。 材料と方法： 対象は、5分割の MRgSBRT を受けた34例である。特徴量は、肉眼的腫瘍体積（GTV）と、肝リング5つから抽出した。肝リングは、計画標的体積（PTV）の周囲に幅2 cm ずつ設けた。除外したのは次の二種類の特徴量である。一つは、変化が治療前のばらつきより小さいもの。もう一つは、相関が高いもの（Spearman の |r| > 0.9）である。治療前の値を平均して、頑健なベースラインとした。各特徴量の経時変化は線形回帰の傾きで表し、均一多様体近似・射影（UMAP）に用いた。続いて、階層的密度ベースクラスタリング（HDBSCAN）で患者を層別化した。代表的な特徴量は、偽発見率（FDR）で補正した Kruskal-Wallis 検定で特定した。あわせて、GTV 体積との相関と、肝リングの平均累積線量との相関を評価した。
結果：GTV の特徴量160個のうち、互いに相関しない55個が残った。経時変化のパターンが異なる3つの患者群が見つかった（n = 4、10、20）。強度ベースのエネルギーは、患者群の間で有意に異なった（調整済み P = 0.001）。大きい2群では、体積との相関は弱かった（|r| 値は原文のまま）。 最も内側の肝リングでは、相関のない49個の特徴量を解析した。2つの患者群（n = 19、15）が同定された。強度ベースのエネルギー、平均強度、最大強度は、群の間で有意に異なった。いずれも平均累積線量との相関は弱かった。
結論：MR 画像に基づくこの経時的ラジオミクスの枠組みにより、GTV と正常肝のそれぞれで患者群を同定でき、治療に伴う特徴量の変化は群ごとに異なっていた。群ごとに、治療に伴う特徴量の変化がはっきり異なっていた。この解析手順は、今後の研究で治療効果の評価を組み込む形に拡張できる。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Paunoiu A, Fritsak M, Gabryś HS, Christ SM, Guckenberger M, Tanadini-Lang S, et al. Longitudinal radiomics of liver metastases during magnetic resonance-guided radiotherapy. Phys Imaging Radiat Oncol. 2026 Sep;41:101094. doi:10.1016/j.phro.2026.101094; PMCID: PMC13651652.確認の範囲：全文を確認
乳がんの治療・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。
肺がんの治療・治験とAI
- Development and internal validation of a machine-learning model for 3-year mortality after lung cancer resection: an online risk calculator and nomogram.抄録（全訳）
背景：肺がんは、今もがんによる死亡の主な原因の一つである。術後にリスクを層別化できれば、肺切除後の経過観察を患者ごとに調整する助けになる可能性がある。本研究の目的は、術後3年死亡の探索的な予測モデルを作り、内部検証することである。変数には、日常診療で得られる臨床・病理・検査の値を用いた。その際、転帰の確認方法とモデルの較正を明示的に扱い、単施設の後ろ向きコホートという限界も踏まえた。
方法：LASSO 回帰で変数を選び、7つのアルゴリズムを比べた。ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン、人工ニューラルネットワーク、XGBoost、LightGBM である。データを7:3に分けて内部のホールドアウト検証を行い、識別能・較正・決定曲線での性能を評価した。最終モデルは、主に内部検証での AUC（曲線下面積）で選んだ。較正指標と分類指標もあわせて考慮した。最終モデルから、ウェブ上の計算ツールとノモグラムを作った。
結果：最終解析の対象は、転帰を確認できた350例である。このうち166例（47.43%）を36か月以内の死亡、184例（52.57%）を36か月を超えた生存に分類した。この割合は、選択された解析コホートにおけるイベントの構成を示すものである。集団全体での術後死亡率の推定値と解釈してはならない。LASSO で残った予測因子は6つである。T 分類、経気道散布、胸膜浸潤、Ki-67 指数、BMI、直接ビリルビンである。ランダムフォレストは、学習セットでは見かけ上完全な識別能を示した（AUC = 1.00）。しかし検証データでは0.73に下がった。検証での AUC が最も高かったのはロジスティック回帰である（AUC 0.79、95% 信頼区間 0.70〜0.87）。正解率は0.75、F1 スコアは0.73、Brier スコアは0.187であった。このため、ロジスティック回帰を最終モデルとした。
結論：最終的なロジスティック回帰モデルの内部での識別能は中等度であった。このモデルは、肺がん切除後の3年死亡リスクを探索的に推定するための、解釈しやすい枠組みとなった。ノモグラムとウェブ計算ツールにより、モデルを視覚的に示しやすくなった。ただし、解析コホートは転帰を確認できた症例に限られ、イベントが多く含まれている可能性がある。外部検証も行っていない。これらのため、絶対リスクの解釈と臨床での直接の利用には限界がある。独立した多施設・前向きの検証と、適切な再較正が必要である。
掲載誌の IF 相当：2.6（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：Liu C, Wu Y, Wang J, Lei K, Xing Y, Kang M, et al. Development and internal validation of a machine-learning model for 3-year mortality after lung cancer resection: an online risk calculator and nomogram. Front Med (Lausanne). 2026 Sep 25;13:1815915. doi:10.3389/fmed.2026.1815915; PMCID: PMC13649404.確認の範囲：全文を確認
膵がんの治療・治験とAI
- Super-Resolution MRI-Derived Tumor-Stroma Ratio Phenotyping for Prognostic and Therapeutic Stratification in Pancreatic Ductal Adenocarcinoma.抄録（全訳）
膵管腺がん（PDAC）は間質の不均一性が大きく、これが腫瘍の進行、再発リスク、治療への反応に影響する。しかし現在、間質の表現型は術後の病理組織検査で評価されている。本研究では、超解像 MRI（srMRI）に基づくラジオミクスモデルを作った。PDAC の腫瘍間質比（TSR）を非侵襲的に分類するためである。737例の多施設コホートを用いて、srMRI 由来の TSR-radscore を構築した。このスコアは、病理学的な TSR を高い精度で予測した（AUC は学習コホートで0.870、外部検証コホートで0.791）。TSR-radscore は、単独で無再発生存期間（RFS）を層別化できた。臨床病理学的変数と組み合わせると、独立した手術コホートで早期再発の予測が向上した。局所進行 PDAC のコホートでは、srMRI 由来の TSR が、治療成績の違いと関連していた。TSR が高い腫瘍（H-TSR）は、全身療法で生存が良好であった。免疫チェックポイント阻害薬を含む併用療法後の成績とも関連していた。トランスクリプトーム解析では、TSR が低い腫瘍（L-TSR）で、細胞外マトリックスのリモデリングと TGF-β 関連のシグナル経路が濃縮していた。単一細胞解析では、TSR の表現型ごとに、がん関連線維芽細胞と T 細胞の状態が異なっていた。画像から得た TSR のパターンは、背景にある間質および免疫微小環境のプログラムと結びついていた。以上から、srMRI 由来の TSR 表現型分類は、PDAC の間質を評価する非侵襲的なバイオマーカーとなる。生物学的な解釈も可能なバイオマーカーである。再発リスクの層別化と治療前の臨床評価の向上につながる。
掲載誌の IF 相当：10.8（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Wang X, Xie Z, Li H, Tang Q, Zhou J, Huang J, et al. Super‐Resolution MRI–Derived Tumor‐Stroma Ratio Phenotyping for Prognostic and Therapeutic Stratification in Pancreatic Ductal Adenocarcinoma. MedComm (2020). 2026 Oct 9;7(10):e71039. doi:10.1002/mco2.71039; PMCID: PMC13650606.確認の範囲：全文を確認
前立腺がんの治療・治験とAI
- MRI-derived radiomics for prostate cancer active surveillance: a systematic review.抄録（全訳）
目的：前立腺がんで監視療法（AS）を受けている、または AS の対象となる男性を対象とした。そうした男性の転帰を予測する、MRI 由来のラジオミクスと人工知能（AI）のモデルを系統的にレビューした。あわせて、報告されたエンドポイントで定量的な統合が可能かを検討した。
方法：PRISMA 2020 に従い、PubMed、Scopus、Embase、Web of Science を検索した（2000年〜2026年9月）。2名のレビュアーが、それぞれ独立にスクリーニングとデータ抽出を行った。バイアスのリスクは QUADAS-2 と PROBAST、方法論的な質は METRICS で評価した。サブグループは3つ定義した。診断時の AS 対象者の選択、ベースラインでの臨床的に有意ながんの検出、経過観察中の進行である。独立したコホートが4つ以上あるサブグループでは、統合を事前に規定した。エンドポイントの同等性も評価した。
結果：12の独立したコホートに由来する17件の研究を対象とした。7件の論文は、2つのコホートに由来していた。重複を整理した後、独立したコホート単位の推定値が12件残った（n = 2703）。進行を扱った論文は9件（独立コホート4つ）で、AUC は0.70〜0.95であった。ただし進行は、互いに同等でない5通りの方法で定義されていた。グレードグループが少しでも上がることを進行とするものから、生検コア数を組み合わせた複合基準まであった。そのため、定量的な統合はできなかった。バイアスのリスクは、17件中16件で高いか不明であった。METRICS スコアの中央値は32.3%（範囲18.9〜52.3%）であった。進行について、外部検証や較正を報告した研究はなかった。
結論：進行のエンドポイントはばらばらで、臨床的な意味が限られるものもいくつかあった。臨床での利用を検討する前に、優先すべきことがある。まず、AS のコアアウトカムセット（共通して測る評価項目の組）を定めることである。少なくとも ISUP グレードグループ3以上、および／または明確な画像上の進行を含む、AS の中核アウトカムセットが必要である。そのうえで多施設の外部検証を行い、PRECISE v2（Prostate Cancer Radiological Estimation of Change in Sequential Evaluation）スコアと直接比較することが、臨床使用を検討する前の優先事項である。
掲載誌の IF 相当：3.6（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Kyle ET, Sweeney KJ, McCabe DH, O’Sullivan NJ, Corr A, Sheehy N, et al. MRI-derived radiomics for prostate cancer active surveillance: a systematic review. European Journal of Radiology. 2026 Dec;205:113291. doi:10.1016/j.ejrad.2026.113291.確認の範囲：抄録のみ確認 - HistoEncoder: A digital pathology foundation model for prostate cancer.抄録（全訳）
基盤モデルは、膨大なデータで学習して画像の複雑なパターンをとらえる。学習を終えた基盤モデルは、少ない計算資源で多様な下流タスクに使える。著者らは、前立腺組織のタイル画像 4,800 万枚で事前学習を行い、前立腺がんのデジタル病理向け基盤モデル HistoEncoder を作った。HistoEncoder は組織学的特徴を自動で抽出する。抽出した特徴は、グリソンパターンを高い精度で予測できる。性能は、はるかに大きな汎がん基盤モデルと同等である。それでいて、効率は大幅に高い。少量のデータと計算資源でモデルを微調整し、HistoEncoder の臨床での使い方を二つ示す。第一に、HistoEncoder を使うと、大規模データセットに高い精度で自動的にアノテーション（注釈付け）を付けられる。第二に、HistoEncoder から得た組織像のクラスターは、内部交差検証において、グリソン分類と同程度の予後情報を含んでいた。これは内部交差検証での結果である。HistoEncoder のような軽量の基盤モデルを使えば、各機関は大規模なデータセットや重い計算がなくても、有効な臨床ソフトウェアを作れる。
掲載誌の IF 相当：3.3（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Pohjonen J, Batouche O, Kantola J, Rannikko A, Sandeman K, Erickson A, et al. HistoEncoder: A digital pathology foundation model for prostate cancer. Journal of Pathology Informatics. 2026 Nov;23:100715. doi:10.1016/j.jpi.2026.100715.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
- Intraoperative fluorescence spectroscopy for IDH classification in glioma: a feasibility study抄録（全訳）
背景：神経膠腫の診断にも予後の判定にも、分子的特徴は欠かせない。ただし、個々の分子的特徴は、初回手術の時点ではふつうまだ分からない。手術前に分子的特徴が分かれば、手術方針を決めるのに大きく役立つ可能性がある。
目的：蛍光スペクトルの特徴を使って機械学習モデルを学習させる。このモデルで、神経膠腫組織の IDH 変異と MGMT プロモーターのメチル化状態を分類できるかを確かめる。
方法：5-アミノレブリン酸（5-ALA）を用いた蛍光ガイド下手術の間に、組織検体を採取した。検体にファイバープローブを当てて、蛍光スペクトルを記録した。蛍光データは盲検化とランダム化を行い、関係する波長だけを残した。腫瘍検体ごとに分子データ（IDH の状態と MGMT のメチル化）を記録し、機械学習アルゴリズムに組み込んだ。各ラベルに該当する患者の半数の蛍光データでアルゴリズムを学習させ、残り半数で検証した。残る半数で、そのモデルを検証した。
結果：27 例を登録し、8000 を超えるスペクトルを測定した。IDH 変異のある検体は、87% の正確度で識別できた。MGMT のメチル化は、このアルゴリズムでは確実には分類できなかった。
結論：この概念実証研究では、蛍光スペクトルに機械学習を適用すると、術中に IDH の状態をリアルタイムで予測できる見込みがある。今後は、より大きなコホートで、IDH と 1p/19q の状態を組み合わせて検討する必要がある。
掲載誌の IF 相当：0.9（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Dablouk MO, Buckley K, Faul S, O’Sullivan MGJ. Intraoperative fluorescence spectroscopy for IDH classification in glioma: a feasibility study. British Journal of Neurosurgery. 2026 Oct 9 [Epub ahead of print]. doi:10.1080/02688697.2026.2746372.確認の範囲：抄録のみ確認 - Deep learning segmentation of the cerebral ventricular system and brainstem for pediatric radiotherapy planning.抄録（全訳）
背景と目的 放射線治療では、脳室系（VS）のセグメンテーション（輪郭抽出）が中心的な役割を担う。頭蓋内胚細胞腫瘍（GCT）に対する全脳室照射にも、脳室周囲領域の保護にも必要である。VS は解剖が複雑で、個人差も大きい。そのため、手作業での輪郭描出が難しく、自動セグメンテーションモデルの開発も進めにくい。著者らは、小児の磁気共鳴画像（MRI）上で VS と脳幹をセグメンテーションする深層学習（DL）モデルを作った。本研究は、このモデルの評価と、臨床業務への組み込みを報告するものである。
方法：脳腫瘍 76 症例（重複なし）の MRI で nnU-Net を学習させた（T1/T2 で n = 73/71）。評価には、独立した二つの後ろ向きコホートを用いた。(i) GCT コホートでは、MRI から CT への位置合わせでマッピングし、治療計画用 CT 画像上で評価した（n = 13/14）。(ii) 脳腫瘍コホートでは、MRI 上で評価した（n = 14）。性能は、手作業の輪郭を基準にして評価した。指標には Dice 類似係数（DSC）とハウスドルフ距離（HD）を用いた。さらに、日常の臨床での治療計画にモデルを前向きに導入し、使いやすさとワークフローへの組み込みを評価した。
結果：GCT-CT コホートで、治療計画用 CT へ剛体／変形写像した後の結果は次のとおりである。脳幹のセグメンテーションは、DSC 中央値が >0.85、HD95 が ≤5.0/6.4 mm であった。VS のセグメンテーションは、DSC が >0.70、HD95 が ≤5.3/4.3 mm であった。MR コホートでは、T1 強調・T2 強調 MRI のいずれでも、両構造の DSC が ≥0.90 に達した。HD95 は、脳幹で 3.0/3.4 mm 以下、VS で 1.3/2.2 mm 以下であった。DL セグメンテーションを使う手順では、手作業の輪郭描出に比べて作業時間が 50% 超短くなった。
結論：GCT-CT コホートで性能が低かった理由として、次の点が考えられる。CT に基づく基準輪郭のノイズが多いこと、観察者間のばらつき、補正されていない幾何学的・解剖学的なずれである。このモデルの精度は、小児脳腫瘍の放射線治療計画において、リスク構造の輪郭作成と、GCT における標的体積のセグメンテーションを支えるものである。具体的には、リスク構造の輪郭描出と、GCT での標的体積のセグメンテーションに使える。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Heinzelmann F, Hörst F, Heine L, Fragemann J, Rempe M, Luijten G, et al. Deep learning segmentation of the cerebral ventricular system and brainstem for pediatric radiotherapy planning. Phys Imaging Radiat Oncol. 2026 Sep;41:101086. doi:10.1016/j.phro.2026.101086; PMCID: PMC13651686.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
この号では、新しい該当論文はありませんでした。
肝臓がんの治療・治験とAI
- CT radiomics and topology-based intratumoral heterogeneity for preoperative prediction of nuclear β-catenin expression in hepatocellular carcinoma.抄録（全訳）
背景：肝細胞がん（HCC）で核内に β-カテニンが蓄積しているのは、Wnt/β-カテニン経路が活性化していることを示す。ただし、この免疫組織化学的な表現型を、術前に非侵襲的に予測する方法はまだ十分には確立していない。
目的：HCC の核内 β-カテニン発現を術前に予測するモデルを作り、外部検証する。モデルには、CT ラジオミクスと、トポロジーに基づく腫瘍内不均一性（ITH）を用いる。
方法：多施設の後ろ向き研究で、病理組織学的に HCC と確定した患者 1029 例を対象とした。参加した 2 施設の患者を開発コホートとした。開発コホートは学習セットと内部検証セットに分けた。学習セットは n=620（核内 β-カテニン陽性 293 例）、内部検証セットは n=267（同陽性 126 例）である。独立した 3 施設目の患者を外部検証コホートとした（n=142、核内 β-カテニン陽性 43 例）。全腫瘍の門脈相 CT ラジオミクス特徴量とトポロジーに基づく ITH 特徴量は、監査済みの画像・マスクのコホートから抽出した。門脈相 CT で腫瘍全体を対象に、ラジオミクス特徴とトポロジーに基づく ITH 特徴を求めた。モデルの識別能、較正、臨床的有用性を評価した。指標には、曲線下面積（AUC）、ブートストラップ法による 95% 信頼区間、較正の要約、Brier スコア、決定曲線分析を用いた。
結果：外部検証での AUC は次のとおりであった。臨床モデル 0.677、ラジオミクスモデル 0.862、ITH モデル 0.857、コア ITH モデル 0.831、ラジオミクス-ITH モデル 0.863、スタッキングモデル 0.886。ラジオミクス単独と比べると、スタッキングの ΔAUC は数値上 0.024 であった（95% 信頼区間 −0.010〜0.060、P = 0.180）。
結論：CT ラジオミクス特徴とトポロジーに基づく ITH 特徴は、外部検証でも HCC の核内 β-カテニン発現を予測する力を示した。外部検証での AUC はスタッキングモデルが最も高かった。ただし、ラジオミクス単独に対する上乗せは統計的に有意ではなかった。これらの CT に基づく手法は、前向きに検証されれば、治療前の生物学的な層別化において、組織による評価を補完しうる。そうなれば、治療前に生物学的な特徴で患者を層別化するのに役立ちうる。
掲載誌の IF 相当：2.5（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Tan Y, Xu S, Liu X, Liao W, Zhu R, Shen M, et al. CT radiomics and topology-based intratumoral heterogeneity for preoperative prediction of nuclear β-catenin expression in hepatocellular carcinoma. Abdom Radiol. 2026 Oct 10 [Epub ahead of print]. doi:10.1007/s00261-026-05788-4.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。