AIとがん研究 ── 2026-10-14

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（1） · 膵がん（0） · 前立腺がん（0） · 腺様嚢胞癌（0） · 脳腫瘍（1） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 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

• 乳がん・肺がん・大腸がん・卵巣がんの早期発見と精密管理のための自己進化型デジタルツイン・エコシステム
  Self-Evolving Digital Twin Ecosystems for Early Detection and Precision Management of Breast, Lung, Colorectal, and Ovarian Cancers
  International Journal of Drug Delivery Technology · 2026-10-12 · 証拠の段階: 後ろ向きの観察（多施設コホートと仮想試験シミュレーション）
  抄録（全訳）

  背景：マルチオミクス解析、ラジオミクス、高度な機械学習が組み合わさったことで、精密腫瘍学に新しい道が開けた。それでも既存の計算フレームワークは静的なままである。新たに得られる患者データを取り込めず、治療成績を動的にシミュレーションすることもできない。自己進化型デジタルツイン・エコシステムは、この問題を解決する手段となる。患者ごとの仮想モデルを、実際の臨床経過と絶えず同期させるからである。

  目的：自己進化型デジタルツイン・エコシステムを開発し、検証すること。このシステムは、臨床・ゲノム・トランスクリプトーム・プロテオーム・ラジオミクス・病理のデータを統合する。対象は乳がん、肺がん、大腸がん、卵巣がんである。用途は、がんの早期発見、病勢進行の予測、個別化した治療の最適化である。

  方法：多施設の後ろ向きコホートとして 400 例を集めた（乳がん n=120、肺がん n=100、大腸がん n=100、卵巣がん n=80、年齢 25〜75 歳）。デジタルツインは 6 層の枠組みで構築した。中核には、モダリティ横断型トランスフォーマーの基盤モデルを置いた。比較対象には Random Forest、XGBoost、ディープニューラルネットワーク（DNN）を用いた。主な性能指標は、正解率、適合率、再現率、F1 スコア、受信者動作特性（ROC）曲線下面積（AUC）とした。あわせて、仮想臨床試験のシミュレーションと特徴量重要度の解析を行った。

  結果：基盤モデルは、すべての指標で比較モデルより高い性能を示した（正解率 0.921、AUC 0.947）。比較モデルの正解率と AUC は、Random Forest が 0.812 と 0.847、XGBoost が 0.841 と 0.879、ディープニューラルネットワークが 0.873 と 0.906 であった。予測に最も寄与した特徴量は、腫瘍の病期、TP53 変異、EGFR 変異であった。リスク層別化では、低リスクが 148 例（37.0%）、中リスクが 153 例（38.3%）、高リスクが 99 例（24.8%）であった。仮想試験のシミュレーションでは、高リスク群で予測される無増悪生存期間が 23.4% 改善した。

  結論：自己進化型デジタルツイン・エコシステムは、従来の機械学習の手法を大きく上回った。複数のがん種にまたがり、精密腫瘍学の意思決定をリアルタイムで支援する。臨床で実際に活用でき、状況に応じて適応するプラットフォームである。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）
  書誌：[No authors listed]. Self-Evolving Digital Twin Ecosystems for Early Detection and Precision Management of Breast, Lung, Colorectal, and Ovarian Cancers. IJDDT. 2026 Oct 12;16(65s). doi:10.25258/ijddt.16.65s.22.
  確認の範囲：抄録のみ確認
• 時間方向のアテンションによる細胞運命の予測
  Understanding cell fate decisions with temporal attention
  PLoS Computational Biology · 2026-10-12 · 証拠の段階: 前臨床（がん細胞のライブイメージングを用いた in vitro 研究）
  抄録（全訳）

  遺伝的に同一の細胞でも、同じ治療条件で異なる転帰をたどることがある。そのため、細胞の運命を決める非遺伝的な要因を理解することは、がん治療の開発と改善に欠かせない。本研究では、深層学習で細胞の運命を予測する手法を作った。入力は、化学療法薬で処理したがん細胞集団を長時間撮影したライブセル画像の生データである。Transformer モデルには、生の画像系列から細胞の運命を直接予測するよう学習させた。あらかじめ定めた形態的・分子的な特徴量には頼らない。分類に加えて、説明可能性を包括的に評価する枠組みも導入した。モデルの予測がどの時間的・形態的な手がかりに基づくかを解釈するためである。

  その結果、動画だけから細胞の転帰を予測できることを示した。モデルのバランス正解率は 0.94、F1 スコアは 0.93 であった。アテンションとマスキングの実験からは、運命を予測する信号が細胞軌跡の最終フレームだけにあるわけではないことが示された。事象の 8 時間前までは、信頼できる予測が可能であった。予測に有用な情報の時間的な分布は、有糸分裂の系列とアポトーシスの系列で異なっていた。細胞の転帰の決定には、細胞形態と p53 シグナル伝達も関与していた。

  以上の結果から、アテンションに基づく時間モデルで細胞の運命を正確に予測できることが示された。同時に、細胞の意思決定を左右する非遺伝的な要因について、生物学的に解釈可能な知見も得られた。

  掲載誌の IF 相当：4.7（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-14 に取得。正式な IF（Clarivate）ではない）
  書誌：Bürger F, Dias Gomes M, Granada AE, Moreau N, Bozek K. Understanding cell fate decisions with temporal attention. PLoS Comput Biol. 2026 Oct 12;22(10):e1014813. doi:10.1371/journal.pcbi.1014813.
  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

• マンモグラフィに基づく深層学習ラジオミクスによる乳がんの HER2 発現予測：HER2 低発現に着目した 2 施設研究
  Mammography-based deep learning radiomics for predicting HER2 expression in breast cancer: a dual-center study with focus on HER2-low status
  BMC Medical Imaging · 2026-10-12 · 証拠の段階: 後ろ向きの観察（2 施設、外部検証あり）
  抄録（全訳）

  背景：ヒト上皮成長因子受容体 2（HER2）の状態を術前に正確に評価することは、標的治療の方針決定に欠かせない。しかし、従来の生検による方法は侵襲的である。腫瘍の不均一性による限界もある。マンモグラフィは広く利用でき、費用対効果も高い画像検査で、術前に日常的に行われている。本研究の目的は、乳がんの HER2 発現状態を非侵襲的に予測するモデルを開発し、検証することである。モデルにはマンモグラフィに基づく深層学習ラジオミクスを用いる。

  方法：2 施設の乳がん患者 546 例を後ろ向きに登録した。施設 1 の 420 例は、訓練コホート 294 例と内部検証コホート 126 例に分けた。施設 2 の 126 例は外部検証コホートとした。分類課題は二つ設定した。課題 1 は HER2 陽性と HER2 陰性の判別、課題 2 は HER2 低発現と HER2 ゼロの判別である。ラジオミクス特徴量は Visformer アーキテクチャで抽出した。そのうえで、重み付き投票によるアンサンブル法で予測モデルを構築した。重みは、交差検証で求めた曲線下面積（AUC）を指標に、訓練コホートの中だけで最適化した。両課題のモデル性能は、受信者動作特性（ROC）曲線で評価した。

  結果：課題 1（HER2 陽性 対 HER2 陰性）では、ラジオミクスモデルの AUC は訓練コホートで 0.836、内部検証で 0.763、外部検証で 0.714 であった。課題 2（HER2 低発現 対 HER2 ゼロ）の AUC は、同じ順に 0.890、0.785、0.713 であった。臨床病理学的な解析で、独立した予測因子が分かった。HER2 陽性の独立した予測因子は、組織学的グレード（オッズ比 2.28）、Ki-67 指数（オッズ比 4.71）、BI-RADS カテゴリー（オッズ比 2.49）であった。HER2 低発現の独立した予測因子は、PR の状態（オッズ比 4.48）、BI-RADS カテゴリー（オッズ比 1.75）、乳腺密度（オッズ比 0.32）であった（いずれも P < 0.05）。

  結論：マンモグラフィに基づく深層学習ラジオミクスモデルは、乳がんの HER2 発現状態の予測で意味のある判別能を示した。術前の HER2 評価を非侵襲的に補う手段になる可能性がある。今後、前向きの検証が必要である。 臨床試験番号： 該当なし。

  掲載誌の IF 相当：3.8（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：Wang H, Liu C, Zhao Y, Fang Y, Kang Z, Deng L, et al. Mammography-based deep learning radiomics for predicting HER2 expression in breast cancer: a dual-center study with focus on HER2-low status. BMC Med Imaging. 2026 Oct 12 [Epub ahead of print]. doi:10.1186/s12880-026-02921-z.
  確認の範囲：抄録のみ確認
• 乳がん研究における人工知能：新たな動向と今後の方向性に関するシステマティックレビューと計量書誌学的分析
  Artificial intelligence in breast cancer research: a systematic review and bibliometric analysis of emerging trends and future directions.
  Frontiers in oncology · 2026-09-28 · 証拠の段階: システマティックレビュー（計量書誌学的分析）
  抄録（全訳）

  序論：乳がんは今も、世界の女性でがんの罹患と死亡の主な原因である。早期発見、正確な診断、予後の推定、治療反応の評価には、まだ課題が残る。人工知能（AI）は機械学習や深層学習を含み、乳がん研究を急速に進めてきた。人工知能は、画像・病理・ゲノム・臨床の高次元データを解析できるようにすることで、乳がん研究を急速に前進させてきた。一方で、文献の急増により、研究は大きく細分化されている。細分化は、臨床上の課題、データのモダリティ、アルゴリズムの枠組み、ソフトウェア環境のすべてにわたる。本システマティックレビューでは、近年発表された AI による乳がん研究を、計量書誌学の手法で包括的に分析した。

  方法：主なデータ源として、Scopus と Web of Science の複数のデータベースを用いた。系統的な計量書誌学の枠組みで、パフォーマンス分析、サイエンスマッピング、テーマの変遷分析を統合した。解析は、明示した次の研究課題に沿って行った。 (i) 診断・予後・治療反応予測での AI 応用の変遷 (ii) 説明可能な AI とハイパーパラメータ最適化の導入状況 (iii) この分野を形づくるデータセット、ソフトウェアフレームワーク、アルゴリズム (iv) 中核のモダリティとしてのマンモグラフィの役割 (v) トランスフォーマー型アーキテクチャを含む、新たな研究のホットスポット 結果と考察： 従来の計量書誌学的研究は、主に引用指標に注目してきた。これに対し本研究は、臨床上の課題を意識し、方法論を中心に据えた視点をとる。得られた知見は、再現可能で解釈可能であり、臨床に統合された乳がん診療の AI システムを支える実践的な示唆となる。目指すのは、再現可能で、解釈可能で、臨床に統合された AI システムである。

  掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）
  書誌：Mohamed YB, ZainEldin H, Eladl SG, Sayed HA, Shehata M, Badawy M, et al. Artificial intelligence in breast cancer research: a systematic review and bibliometric analysis of emerging trends and future directions. Front Oncol. 2026 Sep 28;16:1800218. doi:10.3389/fonc.2026.1800218.
  確認の範囲：抄録のみ確認

乳がんの論文をすべて見る（2 本）→

肺がんの治療・治験とAI

• CT ハビタットラジオミクスと深層学習による早期肺腺がんの気腔内進展の術前予測
  CT-based habitat radiomics and deep learning for preoperative prediction of spread through air spaces in early-stage lung adenocarcinoma
  BMC Medical Imaging · 2026-10-12 · 証拠の段階: 後ろ向きの観察
  抄録（全訳）

  目的：気腔内進展（STAS）は、肺腺がんの浸潤様式の一つである。再発リスクの上昇や予後不良と関連する。術前に STAS を特定できれば、術式を選ぶ際の判断材料になりうる。本研究の目的は、早期肺腺がんの STAS を術前に予測する融合モデルを作り、検証することである。このモデルでは、CT に基づくハビタットラジオミクスと深層学習を組み合わせた。 材料と方法 I 期肺腺がん 248 例（STAS 陽性 120 例、陰性 128 例）を後ろ向きに解析した。内訳は学習コホート 173 例、テストコホート 75 例である。 CT のハビタット解析では、全腫瘍のボクセル単位の特徴ベクトルをまとめて K-means クラスタリングにかけた。これで 4 つのハビタット部分領域を得た。 特徴量を選択したうえで、5 種類のモデルを作って比較した。従来のラジオミクス、ハビタットラジオミクス、マルチチャネル 2D 深層学習、3D 深層学習、深層学習とハビタットの融合モデルである。 どのモデルも、受信者操作特性曲線下面積（AUC）、較正曲線、決定曲線分析で評価した。

  結果：従来のラジオミクスとハビタットラジオミクスのモデルでは、Habitat H4 のテストコホート AUC が最も高かった。AUC は 0.802（95% 信頼区間 0.700〜0.904）である。H4 は、CT のクラスタリングで得た 4 つのハビタット部分領域の一つである。腫瘍全体を対象とする従来のラジオミクスモデル（AUC 0.739、95% 信頼区間 0.626〜0.853）を上回った。 深層学習モデルでは、3D 深層学習モデルのテストコホート AUC が 0.815（95% 信頼区間 0.715〜0.915）であった。マルチチャネル 2D 深層学習モデルの AUC は 0.747（95% 信頼区間 0.633〜0.862）で、3D モデルのほうが上回った。 全モデルの中で数値上の性能が最も高かったのは、Habitat H4 と 3D 深層学習を組み合わせた融合モデルである。AUC は学習コホートで 0.913（95% 信頼区間 0.873〜0.953）、テストコホートで 0.824（95% 信頼区間 0.727〜0.920）であった。いずれもラジオミクスモデルより有意に高かった。DeLong 検定でも、融合モデルは従来のラジオミクスモデルを有意に上回った（P < 0.05）。 決定曲線分析では、融合モデルの臨床上の正味の利益のほうが大きかった。較正曲線では、予測確率と実際の確率がよく一致した。 結論 早期肺腺がんの STAS を術前に非侵襲的に予測するうえで、ハビタットラジオミクスと 3D 深層学習の特徴量を融合したモデルは良好な性能を示した。2 種類の特徴表現は、互いを補い合う可能性がある。このモデルは術前のリスク層別化に役立つ可能性がある。ただし、手術方針の決定でどのような役割を担えるかは、まだ分からない。外部コホートと前向き研究でさらに検証する必要がある。

  掲載誌の IF 相当：3.8（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：Liu X, Wu L, Li L, Rao Z, Su R, Xu F, et al. CT-based habitat radiomics and deep learning for preoperative prediction of spread through air spaces in early-stage lung adenocarcinoma. BMC Med Imaging. 2026 Oct 12 [Epub ahead of print]. doi:10.1186/s12880-026-02892-1.
  確認の範囲：抄録のみ確認

肺がんの論文をすべて見る（1 本）→

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

• 深層学習の万能性を問う：MRI による脳腫瘍分類での従来型機械学習と深層学習の網羅的評価
  Challenging deep learning universality: a complete evaluation of conventional machine learning and deep learning in classifying brain tumors using magnetic resonance imaging
  PeerJ Computer Science · 2026-10-12 · 証拠の段階: 後ろ向きの観察（公開画像データセットでの手法比較）
  抄録（全訳）

  背景：脳腫瘍の治療計画には、正確で迅速な分類が欠かせない。医用画像解析では、深層学習（DL）が主流になっている。一方、古典的な機械学習（ML）を扱った研究は少ない。ここでいう古典的 ML とは、中規模のデータセットで、人が設計した特徴量（ハンドクラフト特徴量）を使う方法である。

  目的：本研究では、脳腫瘍の分類で古典的 ML と DL を比べる方法を提案する。比較はどちらの手法にも偏らない形で行い、新たに考えた多領域特徴量の枠組みを使う。精度・効率・臨床での使いやすさの釣り合いが最もよい手法を特定することがねらいである。

  方法：Kaggle の脳腫瘍磁気共鳴画像（MRI）データセットを用いた。画像は 7,023 枚で、内訳は神経膠腫 1,621、髄膜腫 1,645、腫瘍なし 2,000、下垂体腫瘍 1,757 である。 特徴量は 9 つの領域から抽出した。Gabor フィルタ、局所二値パターン（LBP）、濃度共起行列（GLCM）、離散ウェーブレット変換（DWT）、離散コサイン変換（DCT）、形態、統計、勾配、輝度である。これで得た 289 個の特徴量を、分散分析（ANOVA）の F 検定による SelectKBest で 150 個に絞った。 検証したモデルは 16 種類である。ML は次の 8 種である。 - 放射基底関数カーネルのサポートベクターマシン（SVM-RBF） - ランダムフォレスト - 勾配ブースティング - Extra Trees - AdaBoost - k 近傍法 - ロジスティック回帰 - 線形判別分析 DL も 8 種である。 - 深層多層パーセプトロン（Deep MLP） - 1 次元畳み込みニューラルネットワーク（1D-CNN） - 双方向長短期記憶（Bi-LSTM） - ゲート付き回帰ユニット（GRU） - 畳み込みニューラルネットワークと長短期記憶の組み合わせ（CNN-LSTM） - ResNet 型 - DenseNet 型 - オートエンコーダ 有意性は Wilcoxon 符号付き順位検定で評価した。あわせて次の解析を行った。 - SHAP（Shapley Additive explanations）と LIME（Local Interpretable Model-agnostic Explanations）による説明 - アブレーション（単一領域、段階的、1 領域ずつ除く leave-one-out（LOO）） - データ量に対する感度の分析 - ImageNet での転移学習との比較

  結果：SVM-RBF の成績は、正解率 96.80 ± 0.68%、適合率 96.73%、再現率 96.63%、F1 96.65% であった。受信者操作特性曲線下面積（ROC-AUC）は 99.63% であった。Cohen の κ と Matthews 相関係数は、ともに 0.957 であった。SVM-RBF は 8 種の DL モデルのすべてを上回った（P ≤ 0.0039）。 DenseNet 型と ResNet 型も、同じハンドクラフト特徴量で学習させた。正解率はそれぞれ 94.86 ± 0.76% と 93.95 ± 0.82% であった。 ML の平均（92.78 ± 3.06%）は DL の平均（89.92 ± 4.50%）を上回った（P = 0.0020）。学習時間も ML のほうが短かった（21.12 秒 対 166.62 秒、P = 0.0020）。 クラスごとの再現率は 93.2〜99.0% であった。最も影響の大きい特徴量領域は Gabor であった。Gabor 単独では 94.85% で、SHAP 値は 0.122 であった。LOO で Gabor を除くと −1.25% 低下した（P < 0.001）。

  結論：多領域のハンドクラフト特徴量を使う古典的 ML は、8 種の DL のすべてを上回り、学習時間も短かった。この結果は、医用画像で DL がどこでも通用するという前提を問い直すものである。 また、この枠組みを使うと、生画像での転移学習より DL の正解率が 1〜16 ポイント上がった。設計した特徴量は、ML と DL のどちらにも役立つことが分かった。 この手法は解釈性が高く（SHAP、LIME）、必要な計算資源も少ない。そのため、資源の限られた環境での臨床導入に適している。

  掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-14 に取得。正式な IF（Clarivate）ではない）
  書誌：Sethuraman R, Pandiarajan GS, Sadagopan P. Challenging deep learning universality: a complete evaluation of conventional machine learning and deep learning in classifying brain tumors using magnetic resonance imaging. PeerJ Computer Science. 2026 Oct 12;12:e4106. doi:10.7717/peerj-cs.4106.
  確認の範囲：抄録のみ確認

脳腫瘍の論文をすべて見る（1 本）→

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

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。