AIとがん研究 ── 肺がん ── 2026-10-15

対象誌と選び方は索引の頁に

肺がんの治療・治験とAI

• マルチモーダルデータの統合による肺粘液性腺がんの精密なサブタイプ分類と予後予測
  Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma.
  Translational cancer research · 2026-08-13 · 証拠の段階: 後ろ向きの観察（内部検証のみ）
  抄録（全訳）

  背景：肺粘液性腺がん（PMA）は、肺腺がんのまれな亜型である。包括的な病理分類も予後因子もまだ確立されていない。本研究では、複数のデータモダリティを統合し、PMAのサブタイプ分類と予後予測を高めるマルチモーダルな機械学習（ML）の枠組みを提案する。PMAのサブタイプ分類と予後予測の精度を高めることが目的である。

  方法：この後ろ向き研究では、原発性PMA 175例を登録した。各症例について、人口統計学的情報、病理組織、コンピュータ断層撮影（CT）画像、上皮成長因子受容体（EGFR）変異のデータを収集した。組織型の分類には、LASSO（最小絶対収縮選択演算子）で正則化したロジスティック回帰モデルを用いた。生存予測にはCoxの比例ハザードモデルを用い、内部検証を行った。

  結果：純粋粘液性腺がんでは、次の特徴が多くみられた。純粋な粘液性腺がんでは、画像上または病理上の腫瘍径が小さい、下葉に位置する、リンパ節転移と気腔内進展（STAS）の割合が低い、病理病期が早い、がん胎児性抗原（CEA）が5 ng/mL以下、辺縁にスピキュラがある、Ki-67が低発現、EGFRエクソン19欠失の頻度が低いといった特徴が多かった（P = 0.002、0.003、…）。EGFRエクソン19欠失はPMAの独立した予後因子であった（P = 0.04、0.049）。さらに、ノモグラムのスコアで低リスク群と高リスク群に層別化すると、Kaplan-Meier曲線で両群の転帰に有意な差があった（P < 0.001）。

  結論：肺の純粋粘液性腺がんは、混合型粘液性腺がんや粘液産生型より悪性度が低かった。本研究で開発・検証したノモグラムモデルは、PMA患者で組織亜型の術前予測と生存予測に有望な性能を示した。臨床医が診断と予後予測を行う際の指針となる。

  掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）
  書誌：Yang W, Chen C, Li L, Chen Z, Chen Z, Le H, et al. Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma. Transl Cancer Res. 2026 Sep;15(9):708-8. doi:10.21037/tcr-2026-1241.
  確認の範囲：抄録のみ確認
• 小細胞肺がんにおける予防的全脳照射後の脳転移発生を予測する、解釈可能な深層学習とラジオミクスの融合モデル
  Interpretable deep learning and radiomics for predicting the occurrence of brain metastases following prophylactic brain irradiation in small cell lung cancer.
  Translational lung cancer research · 2026-08-11 · 証拠の段階: 後ろ向きの観察研究（予測モデル開発）
  抄録（全訳）

  背景：小細胞肺がん（SCLC）では、予防的頭蓋照射（PCI）の後も脳転移が重要な臨床上の問題である。PCI 後に脳転移のリスクが高い患者を正確に見分けられれば、経過観察と管理を患者ごとに調整しやすくなる可能性がある。本研究では、SCLC 患者が PCI 後に脳転移を起こすかどうかを予測する融合モデルを作った。モデルには、2.5 次元（2.5D）のマルチチャネル深層学習特徴量、臨床特徴量、ラジオミクス特徴量を組み合わせた。

  方法：後ろ向き研究で、PCI を受けた SCLC 患者 185 例を対象とした。患者は訓練セット（N=148）とテストセット（N=37）に無作為に分けた。CT 画像では、複数の断面で関心領域（ROI）を設定した。これをもとに 2.5D マルチチャネルの畳み込みニューラルネットワーク（CNN）モデルを作り、2.5D 深層学習特徴量を抽出した。腫瘍 ROI の最大断面から、二次元（2D）の深層学習特徴量を抽出した。腫瘍 ROI の三次元（3D）体積から、3D の深層学習特徴量を抽出した。次に、各次元の特徴量を臨床特徴量と従来のオミクス特徴量に融合した。こうして 2D_clinic_Rad、2.5D_clinic_Rad、3D_clinic_Rad の各モデルを作った。そのうえで、3D モデルと臨床モデル・従来のラジオミクスモデルとの性能差を比較した。

  結果：脳転移の予測性能が最も高かったのは 2.5D_clinic_Rad 融合モデルである。テストセットでの曲線下面積（AUC）は 0.841 だった。この値は、臨床モデル、従来のラジオミクスモデル、2D と 3D の深層学習融合モデルを上回った。決定曲線と較正曲線も解析した。その結果、他のモデルと比べて、2.5D_clinic_Rad モデルの臨床上の正味の利益が最も大きかった。較正の一致度も最も良かった。

  結論：2.5D_clinic_Rad に基づく融合モデルで、全脳予防照射後の SCLC 患者の脳転移リスクを有効に予測できる。

  掲載誌の IF 相当：2.5（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）
  書誌：Zhang X, Zhao L, Wang J, Zhang X, Liang X, Cao W, et al. Interpretable deep learning and radiomics for predicting the occurrence of brain metastases following prophylactic brain irradiation in small cell lung cancer. Transl Lung Cancer Res. 2026 Sep;15(9):281-1. doi:10.21037/tlcr-2026-0708.
  確認の範囲：抄録のみ確認

← この号の目次へ