AIとがん研究 ── がん一般 ── 2026-10-13
がん一般の分子生物学の進展とAI
- A Comparative Study of Machine Learning Models for Pan-Cancer Prediction and Explainable Feature Analysis抄録（全訳）
分子情報に基づくがんの分類は、多クラス学習のなかでもより複雑な問題である。組織が違えば、腫瘍の発現プロファイルも違うことがある。逆に、分子的な特徴が似たがんが、別の組織に生じることもある。本論文は、The Cancer Genome Atlas（TCGA）の遺伝子発現データで作った、実用的な汎がん種分類の枠組みを示す。データの準備とラベル付けを経て、作業用データセットは 33 がん種にわたるラベル付き検体 11,062 件となった。特徴量選択の段階で、入力を 500 の遺伝子発現特徴量に絞った。次に、XGBoost の多クラス分類器を一つ学習させた。選んだ発現プロファイルと 33 がん種との関係を捉えるためである。学習に使わなかったテストデータでの結果は、正解率 94.49%、適合率 94.66%、再現率 94.49%、F1 スコア 94.27% だった。モデルの中身を確かめやすくするため、SHAP に基づく特徴量重要度の解析を加えた。学習済みモデルは Streamlit のダッシュボードに組み込み、バックエンドには FastAPI を使った。遺伝子発現の検体をアップロードすると、予測したがん種、がん種ごとの確率、説明の情報が表示される。このシステムは研究・教育用の試作品であり、臨床で妥当性を確かめた診断システムではない。臨床的な解釈に先立って、独立した検証を求めるべきである。
掲載誌の IF 相当：0.5（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Lokesh N, Thara L, Kumuthaveni R. A Comparative Study of Machine Learning Models for Pan-Cancer Prediction and Explainable Feature Analysis. Int J Sci Res Sci Eng Technol. 2026 Oct 11;13(5):296-308. doi:10.32628/ijsrset2613529.確認の範囲：抄録のみ確認 - Imaging radiomics for predicting histopathological growth patterns in colorectal liver metastases: a systematic review and diagnostic meta-analysis抄録（全訳）
大腸がん肝転移（CRLM）では、組織学的増殖様式（HGP）が予後と全身療法への反応に大きく影響する。線維形成型（desmoplastic）の HGP では転帰が良い。一方、置換型（replacement）の HGP は、より悪性度の高い表現型を示すことが多い。今の術前画像では、これらの様式を見分けられない。生検も、腫瘍と肝臓の境界部から採れる組織が限られるため、信頼できないことが多い。このシステマティックレビューとメタアナリシスでは、ラジオミクス／ディープラーニングのモデルの診断性能を評価した。この系統的レビューとメタ分析では、画像データから HGP を非侵襲的に予測するラジオミクス／ディープラーニングのモデルの診断性能を評価する。PRISMA ガイドラインに沿って、2026 年 8 月 30 日までの 4 つのデータベースを検索した。組み入れたのは、HGP を予測するラジオミクスまたはディープラーニングのモデルを開発した研究である。対象は CRLM 患者で、術前の CT または MRI を用いた研究である。方法論の質とバイアスのリスクは、ラジオミクス品質スコア（RQS）2 と QUADAS-2 で評価した。感度と特異度は、変量効果モデルで統合した。システマティックレビューには、後ろ向きの報告 8 件（独立した研究集団 7 つ）を含めた。量的統合には、独立した 7 集団の患者 724 例（重複なし）を含めた。統合感度は 0.86（95% 信頼区間 0.81〜0.90）、統合特異度は 0.77（95% 信頼区間 0.64〜0.87）だった。要約 ROC（SROC）曲線の曲線下面積（AUC）は 0.845 だった。サブグループ解析は、ほとんどで統計的に有意にならなかった。使える研究の数が限られるため、その結果は慎重に解釈すべきである。RQS 2.0 の平均スコアは 17.1（31%）だった。技術開発は標準化されている。一方で、前向き検証と臨床応用に関わる取り組みは、現時点では欠けている。画像に基づく AI モデルは、HGP の非侵襲的な分類で有望な識別性能を示した。ただし、今あるエビデンスでは、臨床的な有用性は示されていない。ただし、利用できるエビデンスでは、臨床的有用性も、患者管理や転帰の改善も示されていない。臨床導入を検討する前に、前向きの多施設検証が必要である。意思決定への影響を調べる研究も必要である。
掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Rahnama Y, Eghbali S, Pishraft-Sabet H, Eghbali S, Kolahi S, Ahmadi-Tafti SM, et al. Imaging radiomics for predicting histopathological growth patterns in colorectal liver metastases: a systematic review and diagnostic meta-analysis. World J Surg Onc. 2026 Oct 11 [Epub ahead of print]. doi:10.1186/s12957-026-04613-y.確認の範囲：抄録のみ確認