AIとがん研究 ── 2026-10-13

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（1） · 肺がん（0） · 膵がん（0） · 前立腺がん（0） · 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（0） · 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

• 異なる組織の腫瘍は異なる発現プロファイルを示し得る一方、分子特徴の似たがんが別の組織に生じ得るため、分子情報に基づくがん分類は、より複雑な多クラス学習の問題である
  A Comparative Study of Machine Learning Models for Pan-Cancer Prediction and Explainable Feature Analysis
  International Journal of Scientific Research in Science Engineering and Technology · 2026-10-11 · 証拠の段階: 後ろ向きの観察（公開遺伝子発現データを使ったモデル開発）
  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
• 大腸がん肝転移の組織学的増殖様式を予測する画像ラジオミクス：システマティックレビューと診断メタアナリシス
  Imaging radiomics for predicting histopathological growth patterns in colorectal liver metastases: a systematic review and diagnostic meta-analysis
  World Journal of Surgical Oncology · 2026-10-10 · 証拠の段階: メタアナリシス（後ろ向き研究のシステマティックレビュー）
  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

がん一般の論文をすべて見る（2 本）→

乳がんの治療・治験とAI

• 本研究の目的は、デジタル乳房トモシンセシス（DBT）に基づく統合ラジオミクスモデルを開発し、検証することである
  Moran's index habitat and peritumoral radiomics based on digital breast tomosynthesis for predicting Ki-67 status in breast cancer.
  Quantitative imaging in medicine and surgery · 2026-09-16 · 証拠の段階: 後ろ向きの観察
  抄録（全訳）

  背景：乳がんの不均一性は、治療方針と予後を左右する重要な要因である。Ki-67 タンパク質は、細胞増殖の重要なマーカーである。その発現量は、腫瘍の悪性度・再発リスク・予後と密接に関わる。本研究の目的は、デジタル乳房トモシンセシス（DBT）に基づく統合ラジオミクスモデルを開発し、検証することである。このモデルは、ハビタット部分領域と腫瘍周囲の特徴量の両方を取り入れる。手術前に乳がんの Ki-67 発現状態を予測することを目指す。

  方法：術前に DBT を受けた浸潤性乳がん患者 146 例を後ろ向きに登録した。患者は学習コホート（n=102）とテストコホート（n=44）に分けた。腫瘍内の領域は手動でセグメンテーションした。腫瘍周囲の領域（2、4、6 mm）は、マスクパディングにより自動で描出した。Moran's index（モラン指数）によるクラスタリングで、腫瘍を 4 つのハビタット部分領域に分けた。ラジオミクス特徴量は、腫瘍内領域、ハビタット部分領域、腫瘍周囲領域から抽出した。特徴量を選んだ後、機械学習アルゴリズムでラジオミクスモデルを作った。その後、複合モデルを構築した。このモデルは、ハビタット部分領域と腫瘍周囲のラジオミクス特徴量に臨床因子を統合したものである。ラジオミクスモデルの性能は、曲線下面積（AUC）で評価した。

  結果：Ki-67 発現状態の予測では、rbf_サポートベクターマシン（SVM）モデルが他のモデルを上回った。

  結果：Ki-67 発現状態の予測では、ハビタットのラジオミクス特徴量による rbf SVM モデルが他を上回り、AUC は学習コホートで 0.841、テストコホートで 0.820 だった。AUC は学習コホートで 0.841、テストコホートで 0.820 だった。統合モデルでは AUC がわずかに上がり、それぞれ 0.849 と 0.852 になった。

  結論：ハビタットと腫瘍周囲のラジオミクス特徴量に臨床因子を統合したモデルは、乳がんの Ki-67 発現レベルの予測で最適な精度を示した。この複合モデルは、臨床医が乳がん患者の個別化治療計画を立てる助けになる可能性がある。

  掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）
  書誌：Gong J, Zhuang Z, Liu S, Xu L, Liu H, Zhu H, et al. Moran’s index habitat and peritumoral radiomics based on digital breast tomosynthesis for predicting Ki-67 status in breast cancer. Quant Imaging Med Surg. 2026 Oct;16(10):807-7. doi:10.21037/qims-2026-1-0047.
  確認の範囲：抄録のみ確認

乳がんの論文をすべて見る（1 本）→

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

この号では、新しい該当論文はありませんでした。

前立腺がんの治療・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。

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

• 貧血状態別にみた女性胃がん患者の炎症・栄養指標の予後パターンの違いと、XGBoost 予測モデルの構築
  Distinct prognostic patterns of inflammation nutrition indices in female gastric cancer patients with different anemia statuses and construction of an XGBoost predictive model
  Discover Oncology · 2026-10-11 · 証拠の段階: 後ろ向きの観察（単施設）
  抄録（全訳）

  術前の貧血は胃がんでよくみられ、特に女性で転帰を悪くするおそれがある。本研究の目的は二つある。一つは、貧血が予後に持つ意味を評価することである。もう一つは、炎症・栄養に関わる指標に基づく機械学習モデルを作り、生存を患者ごとに予測することである。根治的 R0 切除を受けた女性胃がん患者 1,178 例を、後ろ向きに解析した。貧血が予後に果たす役割は、Kaplan–Meier 法と Cox 回帰分析で評価した。炎症と栄養の指標は、再帰的特徴量削減で選んだ。そのうえで複数の機械学習アルゴリズムでモデルを作り、5 年全生存を予測した。モデルの性能は曲線下面積（AUC）で、解釈可能性は SHAP 解析で評価した。貧血は、独立した予後不良因子であることが分かった。炎症・栄養指標の予後パターンは、貧血群と非貧血群で異なっていた。予測性能が最も高かったのは XGBoost モデルだった（AUC はそれぞれ 0.735 と 0.773）。このモデルでは、解釈可能なリスク層別化もできた。高リスクの患者は、どのサブグループでも生存が有意に悪かった。日常の血液検査の指標に基づく XGBoost モデルは、この単施設の概念実証研究で有望な予測性能を示した。外部検証と前向き評価をさらに行えば、このモデルは簡便で利用しやすいツールになり得る。その用途として想定されるのは、予備的なリスク評価である。ただし、今の時点での臨床的な有用性は、より幅広い患者集団でまだ確かめられていない。

  掲載誌の IF 相当：2.4（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：Qi J, Sun W, Zhang L, Jin X. Distinct prognostic patterns of inflammation nutrition indices in female gastric cancer patients with different anemia statuses and construction of an XGBoost predictive model. Discov Onc. 2026 Oct 11 [Epub ahead of print]. doi:10.1007/s12672-026-06051-4.
  確認の範囲：抄録のみ確認

胃がんの論文をすべて見る（1 本）→

肝臓がんの治療・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。

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。