AIとがん研究 ── 2026-10-15
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（2） · 肺がん（2） · 膵がん（0） · 前立腺がん（0） · 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
- CLIP-CGPNet: A Multimodal Clinical Decision Support System for Postoperative UTUC Recurrence Prediction.抄録（全訳）
上部尿路上皮がん（UTUC）の患者では、術後の再発を正確に予測することが、個別の管理と経過観察の計画に欠かせない。しかし、画像の特徴も臨床情報も患者ごとのばらつきが大きい。そのため、信頼できるリスク層別化はまだ難しい。
本研究では、術後再発を予測するマルチモーダルな臨床意思決定支援の枠組みを作った。造影コンピュータ断層撮影（CT）の画像と、日常診療で得られる臨床変数を統合する。学習では画像と臨床情報を一体として扱う。これにより、画像の表現と患者ごとの臨床背景との意味的な対応が強まる。画像の特徴は、臨床知識に基づく意味的プロンプトで誘導する。また、動的な融合機構で、各モダリティの寄与の釣り合いを適応的に調整する。この設計により、複数のモダリティが頑健に相互作用し、個々の患者のリスク推定が改善する。
評価には、2016〜2023年に治療を受けたUTUC患者160例の後ろ向きコホートを用いた。内訳は再発59例、非再発101例である。提案手法の受信者動作特性曲線下面積（AUC）は0.87であった。その性能は、従来の畳み込みニューラルネットワークに基づくモデルや、代表的なマルチモーダルの比較モデルより優れていた。定性的な解析でも、画像のパターンと臨床因子との対応が改善していることが示された。注意機構に基づく可視化により、解釈可能な知見も得られた。
これらの結果から、この枠組みはUTUCの術後再発リスクを層別化する一つの手法となりうることが示唆される。この枠組みは、臨床判断や、リスクに応じた術後管理の支援にも役立ちうる。
掲載誌の IF 相当：3.9（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：Liu D, Zhao T, Zhang S, Fang L. CLIP-CGPNet: A Multimodal Clinical Decision Support System for Postoperative UTUC Recurrence Prediction. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02358-4.確認の範囲：抄録のみ確認
乳がんの治療・治験とAI
- HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI.抄録（全訳）
乳がんの分子サブタイプを術前に分類することは、治療の選択と予後の評価に欠かせない。ところが、多くの深層学習手法はサブタイプ予測を通常の平坦な多クラス分類として扱う。そのため、臨床で順を追って判断していく過程が反映されていない。
本研究では、階層的カスケード融合ネットワークのHCF-Netを開発した。サブタイプ予測を、臨床判断に沿った三つの二値判断ノードに分解する。さらに、多相のダイナミック造影MRI（DCE-MRI）と臨床・放射線学的情報を統合する。モデルの開発と検証は、後ろ向きに行った。対象は、術前に3.0 Tの多相DCE-MRIを受けた2施設の女性373例である。
独立したテストセット（n = 75）での成績は次のとおりであった。Macro-AUCは0.868（95% 信頼区間 0.806〜0.923）、正解率は73.3%、Macro-F1は0.732、Cohenのκは0.631であった。融合モデルは、三つの階層的判断ノードのすべてで一貫して最も高いAUCを示した。ルミナル型と非ルミナル型の判別で0.890、Luminal AとLuminal Bで0.865、HER2-enrichedとトリプルネガティブで0.974であった。バックボーンをConvNeXt-Tinyにしても、分類戦略の性能の順位は同じであった。従来の平坦な分類戦略と比べ、階層的カスケード分解と判断レベルでの融合で性能が大きく向上した。
これらの結果から、臨床の意思決定の経路に沿った階層的な融合の枠組みが、術前の乳がん分子サブタイプ予測において、有効で解釈可能な手法となりうることが示唆される。臨床判断の経路に沿った階層的融合の枠組みは、乳がんの分子サブタイプの術前予測で、有効かつ解釈可能な手法となりうる。
掲載誌の IF 相当：3.9（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：Chen Y, Hu L, Hou J, Xie Y, Nie S, Jiang Y, et al. HCF-Net: a Hierarchical Cascade Fusion Network Aligned with Clinical Treatment Pathways for Preoperative Molecular Subtyping of Breast Cancer on Dynamic Contrast-Enhanced MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02331-1.確認の範囲：抄録のみ確認 - From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI.抄録（全訳）
ハビタット・ラジオミクスでは、腫瘍の亜領域ごとのテクスチャを特徴づける。しかし、亜領域どうしの空間的な関係は考慮されない。本研究では景観生態学に着想を得て、ダイナミック造影MRI（DCE-MRI）でハビタット間の空間構造を定量化する枠組みを開発した。評価課題としては、腋窩リンパ節転移（ALNM）の予測を用いた。この課題で、ハビタット内ラジオミクスと併用した場合の補完的な価値を評価した。あわせて、早期融合と後期融合を比較した。
この研究は多施設の後ろ向き研究である。1施設の284例を、訓練コホート（n = 198）と検証コホート（n = 86）に無作為に分けた。別の独立した施設の120例は外部テストセットとした。腫瘍は、ボクセル単位の19のテクスチャ記述子をk-means法でクラスタリングし、六つのハビタットに分けた。クラスタ中心は訓練コホートだけから求めた。
特徴量は三つの領域で構成した。臨床パラメータ8個、ハビタット内ラジオミクス特徴642個、ハビタット間空間構造特徴94個である。空間構造特徴の内訳は、断片化（n = 30）、形態（n = 24）、ハビタット間の接触（n = 15）、ハビタット間の距離（n = 15）、面積比（n = 6）、多様性（n = 4）である。
外部テストセットでは、特徴を段階的に融合するたびにAUCが上がった。臨床のみで0.754、ハビタット内ラジオミクスを加えて0.843、さらにハビタット間空間構造を加えて0.863（95% 信頼区間 0.792〜0.934）であった。全特徴を早期融合したモデルのAUCは、臨床のみのモデル（DeLong検定 P = 0.011）と空間構造のみのモデル（P = 0.044）より高かった。早期融合のAUCは後期融合より数値上は高かったが、有意差には達しなかった（0.863 対 0.851、P = 0.636）。単一の画像領域だけを使う二つのモデルの間には、統計的な差がなかった（0.817 対 0.784、P = 0.512）。
ハビタット間の空間構造は、従来のハビタット・ラジオミクスが見落としてきた腫瘍の組織構造をとらえる。術前のALNM予測で補完的な情報をもたらす。
掲載誌の IF 相当：3.9（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：Liu P, Wang P, Zou X, Zhang Q, Wang W. From Intra- to Inter-habitat Analysis: Spatial Structure Features for Axillary Lymph Node Metastasis Prediction on Breast DCE-MRI. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02384-2.確認の範囲：抄録のみ確認
肺がんの治療・治験とAI
- Integrating multimodal data for precise subtyping and prognostication in patients with pulmonary mucinous adenocarcinoma.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 - Interpretable deep learning and radiomics for predicting the occurrence of brain metastases following prophylactic brain irradiation in small cell lung cancer.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
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
- Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework.抄録（全訳）
膠芽腫（GBM）では、治療への反応が患者によって大きく異なる。治療前の MRI から転帰を予測することは、重要なアンメットニーズである。しかし「ブラックボックス」型の深層学習（DL）モデルは透明性に欠けるため、臨床導入が進んでいない。臨床での信頼を得るには、頑健で包括的な検証の枠組みをさらに整備する必要がある。
本研究では、多層的な説明可能 AI（XAI）のパイプラインで、既存の深層学習モデルを詳しく調べた。このモデルは GBM の全生存期間を予測するように訓練したものである。第一に、モデルが画像のどこに注目しているかを定性的・定量的に解析した。第二に、入力のアブレーション研究により、モデルの特徴量への依存度を定量化した。第三に、内部表現を線形プロービングで調べた。これにより、クラス情報が読み取れるようになる層の深さをたどった。最後に、AI とその説明の臨床的影響を、多読影者・多症例研究で評価した。この研究の規模は 37 例、読影者 4 人、3 フェーズ、444 観察である。解析には一般化推定方程式（GEE）とクラスター・ブートストラップ法を用いた。
解析の結果、モデルが高信号に頼るヒューリスティックを使っていることが分かった。頭蓋辺縁の高信号ピクセルがあると、それが「長期」予測の根拠になっていた。高信号ピクセルがない場合、モデルは腫瘍の造影増強に基づき、既定で「短期」と予測した。この依存関係はアブレーション研究で確かめられた。線形プロービングも同じ方向を示した。
臨床研究では、AI の支援で専門家の正確度が有意に上がった（オッズ比 1.598、P < 0.01）。一方、専門医の確信度が人為的に高まることはなかった（P = 0.561）。重要な点として、XAI のヒートマップを加えると、専門家による AI スコアの使い方が変わった（交互作用 P < 0.01）。長期生存者と誤って判定される患者も減った。ただし、いずれも関連として示された結果である。
予測精度が高くても、その裏で低次の信号強度のヒューリスティックに頼っていることがある。顕著性マップを表面的に解釈するのは危険である。それでも、多層的に監査すればこうした近道を見つけられる。臨床面では、空間的なヒートマップは、専門家の診断精度の向上と意思決定戦略の変化に関連していた。
掲載誌の IF 相当：3.9（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：Andres R, Moreau NN, Dessoude L, Le Henaff L, Missohou F, Stefan D, et al. Explainability and Clinical Trust of Deep Learning in Glioblastoma Treatment Efficacy Prediction: A Comprehensive Framework. J Digit Imaging Inform med. 2026 Oct 13 [Epub ahead of print]. doi:10.1007/s10278-026-02381-5.確認の範囲：抄録のみ確認 - MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas.抄録（全訳）
背景：成人型びまん性神経膠腫（ADG）では、CD9 の高発現が全生存期間（OS）の短さと有意に関連している。また、薬剤スクリーニング解析で、エメチンが CD9 高発現の神経膠腫に対する標的治療薬の候補として見つかっている。したがって、CD9 は神経膠腫の診断と治療を変えうる新しいバイオマーカーになる可能性がある。本研究の目的は、術前の磁気共鳴画像（MRI）から予測する人工知能モデルを作ることである。このモデルで、ADG 患者の CD9 高発現を早い段階で見分けられるようにする。
方法：The Cancer Genome Atlas（TCGA）と Chinese Glioma Genome Atlas（CGGA）のコホートから、ADG 患者 262 例の CD9 発現データを後ろ向きに集めた。術前の MRI シーケンスには、造影 T1 強調画像（CET1）と T2 強調画像（T2WI）を使った。これらの画像から、K-means クラスタリングでハビタット特徴量を抽出した。あわせてラジオミクス特徴量も抽出した。さらに、ニューラルネットワーク構造に基づき、マルチチャネルの 2.5 次元深層学習（2.5D_DL）データを構築した。ResNet101、DenseNet121、SimpleViT を用いて、DL 特徴量を抽出した。 7 種類の分類器を使い、Radiomics、Habitat、2.5D_DL の各予測モデルを個別に構築した。続いて、アンサンブル融合の手法で Stacking モデルを作り、CD9 高発現を予測した。モデルの性能は受信者操作特性（ROC）曲線で評価した。臨床上の有効性は決定曲線分析（DCA）で評価した。モデルの解釈を探るため、Shapley Additive Explanations（SHAP）解析も行った。これにより、機械学習による予測の透明性を高めた。また、Stacking モデルのスコアで患者を高リスク群と低リスク群に分けた。両群の生存の差は、Kaplan-Meier 解析と log-rank 検定で比べた。
結果：ROC 曲線下面積（AUC）は、Habitat モデルのほうが Radiomics モデルより高かった。マルチチャネル 2.5D_DL モデルの中では、SimpleViT モデルの性能がわずかに良かった。比較対象は、畳み込みニューラルネットワーク（CNN）に基づくモデル（ResnNet101 と DenseNet121）である。最終的な Stacking モデルは、Habitat、Radiomics、2.5D_DL の各モデルの出力を統合したものである。このモデルは、より高い AUC を示した。AUC は訓練セットで 0.999、検証セットで 0.822、テストセットで 0.728 だった。DeLong 検定では、訓練セットで各モデルの AUC に統計的に有意な差があった。一方、それ以外のセットでは有意な差はなかった。また DCA により、この統合モデルはより広い範囲のリスク閾値で臨床的な正味の利益が高いことが確認された。Stacking モデルで予後を層別化すると、高リスク群と低リスク群の生存転帰に有意な差があった。
結論：術前 MRI に基づく Stacking モデルは、ADG の中から CD9 高発現の患者を効果的に見分け、患者のリスクを層別化できる。このモデルは、臨床での治療方針の決定と、個別の予後評価の支えになる。ただし、予後予測の性能と一般化可能性を確かめるには、前向きの多施設データがまだ必要である。
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：Pang B, Yuan M, Yan Y, Li J, Xue J, Jing L, et al. MRI-derived habitat radiomics integrated with transformer deep learning for preoperative prediction of high CD9 expression: a novel prognostic marker in adult-type diffuse gliomas. Transl Cancer Res. 2026 Sep;15(9):703-3. doi:10.21037/tcr-2026-1847.確認の範囲：抄録のみ確認
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
- Magnetic resonance imaging-based radiomics for predicting P53-mutated hepatocellular carcinoma: intratumoral and peritumoral analysis.抄録（全訳）
背景：肝細胞がん（HCC）は、世界でがんによる死亡の主な原因の一つである。TP53 変異は、腫瘍の進行を駆動する幹（トランク）変異である。しかし、TP53 変異の有無は現在、侵襲的な肝生検でしか判定できない。本研究では、磁気共鳴画像（MRI）の複数の領域から得たラジオミクス特徴量で P53 変異 HCC を予測する。これにより、この浸潤性サブタイプを同定する非侵襲的な手段を提供する。
方法：後ろ向き研究で、術前に MRI を受けた患者 320 例のデータを解析した。患者は訓練コホート（TC、n=224）と検証コホート（VC、n=96）に分けた。臨床的な危険因子はステップワイズ回帰で特定し、予測モデルの構築に使った。6 種類の MRI シーケンスで、3 種類の機械学習分類器を評価した。対象領域は、腫瘍全体、IntraPeri_9mm、IntraPeri_11mm、IntraPeri_13mm の 4 つである。4 つの領域から最良の IntraPeri 融合モデルを選ぶために、least absolute shrinkage and selection operator（LASSO）法を用いた。選んだモデルでラジオミクスモデルを構築した。P53 変異 HCC の予測ノモグラムは、これらの臨床的予測因子と識別能のあるラジオミクス特徴量を統合して作成した。ノモグラムの性能は、受信者操作特性解析、較正曲線、決定曲線で評価した。 対象は 320 例（男性 259 例、女性 61 例、平均年齢 58.25±11.51 歳）だった。このうち 183 例が P53 変異 HCC、137 例が非 P53 変異 HCC だった。P53 変異 HCC の独立した予測因子として、最大腫瘍径、Edmondson-Steiner 分類、辺縁動脈相濃染の 3 つが同定された。最大腫瘍径（LTD）、Edmondson-Steiner 分類、動脈相での辺縁性高増強（rim arterial phase hyperenhancement）である。最適な MRI シーケンスは、T1 強調画像の動脈相（T1WI-AP）だった。このシーケンスの IntraPeri_11mm 領域から得たラジオミクス特徴量で、ExtraTrees 分類器を作った。この分類器の予測精度は高かった（曲線下面積（AUC）：TC 0.805、VC 0.660）。臨床特徴量とラジオミクス特徴量を統合した予測ノモグラムは、TC と VC のいずれでも優れた性能を示した。TC では AUC 0.815（95% 信頼区間（CI）0.758〜0.872）、VC では AUC 0.802（95% CI 0.713〜0.890）だった。決定曲線分析でも、臨床上の有用性が確かめられた。 臨床モデルと IntraPeri_11mm のラジオミクスを組み合わせたノモグラムは、HCC の術前 P53 変異状態を予測する有効な指標となり得る。
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：Weng J, Yao D, Zeng Q, He Y, Yang C, Yang B. Magnetic resonance imaging-based radiomics for predicting P53-mutated hepatocellular carcinoma: intratumoral and peritumoral analysis. Transl Cancer Res. 2026 Sep;15(9):709-9. doi:10.21037/tcr-2026-1579.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。