AIとがん研究 ── 肺がん ── 2026-10-17
肺がんの治療・治験とAI
- An AI-derived inflammation-metabolism ecosystem signature reveals ATP2A2 as a microenvironment-remodeling driver of immune evasion in lung adenocarcinoma抄録（全訳）
背景：慢性炎症と代謝の異常は、互いに結びついて腫瘍の発生と免疫回避を進める因子として、注目が高まっている。しかし肺腺がん（LUAD）では、両者を合わせたときの予後上・機序上の意味がまだよく分かっていない。
方法：全身性の炎症・代謝異常を表す 117 遺伝子のセットを MSigDB から取得した。この遺伝子セットは、精選された 117 遺伝子で構成される。差次的発現解析と単変量 Cox 回帰で、予後に関わる中核遺伝子を特定した。訓練コホートには TCGA-LUAD を、外部検証には独立した 6 つの GEO コホートを用いた。頑健な予後モデルを作るため、機械学習アルゴリズムの組み合わせ 101 通りを系統的に評価した。モデルの性能は、C 指数、時間依存の受信者動作特性（ROC）、主成分分析（PCA）で評価した。免疫の特徴は、TCIA、ESTIMATE、および TIMER に基づくデコンボリューションを用いて解析した。リスクスコアと最も強く相関した遺伝子は ATP2A2 だった。ATP2A2 については、複数コホートでのトランスクリプトーム解析と免疫組織化学で検証した。続いて in vitro での機能解析と、IOBR を統合した免疫プロファイリングによる機序の検討を行った。微小環境との関連は、単一細胞 RNA シーケンスと多重免疫蛍光染色で確かめた。これらは細胞レベルの解像度での確認である。
結果：最もよい性能を示したのは RSF + SuperPC モデルだった。このモデルで患者を高リスク群と低リスク群に分けると、7 つのコホートのいずれでも生存に有意な差が出た。高リスクの腫瘍では、免疫細胞と間質の浸潤が少なく、腫瘍純度が高かった。ATP2A2 は腫瘍組織で一貫して過剰発現していた。ATP2A2 は、低分化、進行した病期、短い生存と相関し、免疫療法への抵抗性を予測した。機序の面では、ATP2A2 の高発現は次の特徴と関連した。免疫細胞浸潤の抑制、ケモカインシグナルの減弱、がん免疫サイクル活性の低下である。さらに「免疫砂漠（immune-desert）」型の表現型とも関連していた。この表現型は単一細胞解析と空間解析で確かめた。
結論：本研究で、肺腺がんの炎症・代謝に基づく予後シグネチャーを確立し、検証した。ATP2A2 は、腫瘍の悪性度と免疫抑制的な微小環境の作り変えを結びつける主要な駆動因子として特定された。ATP2A2 は有望な予後バイオマーカーである。免疫療法抵抗性を克服するための治療標的候補でもある。
掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）書誌：Hu X, Zhang G, Zhang Y, Zhao Y, Zhou F, Li G. An AI-derived inflammation-metabolism ecosystem signature reveals ATP2A2 as a microenvironment-remodeling driver of immune evasion in lung adenocarcinoma. Front Cell Dev Biol. 2026 Oct 14;14:1971779. doi:10.3389/fcell.2026.1971779.確認の範囲：抄録のみ確認 - MRI‐Based 2.5D Multi‐Instance Deep Learning for Differentiating Pathological Subtypes of Brain Metastases From Lung Cancer抄録（全訳）
背景：小細胞肺がん（SCLC）と非小細胞肺がん（NSCLC）では、脳転移の治療方針が異なる。そのため、組織型を体を傷つけずに（非侵襲的に）正確に見分ける必要がある。
目的：小細胞肺がん（SCLC）と非小細胞肺がん（NSCLC）の脳転移を判別する深層学習（DL）モデルを開発し、外部検証することである。モデルは2種類のMRI画像を使う（バイパラメトリックMRI）。手法は2.5次元（2.5D）のマルチインスタンス学習（MIL）である。性能は、臨床モデル、ラジオミクスモデル、3次元（3D）DLモデルと比べた。 研究デザイン：後ろ向き研究。
対象：4施設の患者366例を対象とした。施設1の患者から、訓練セットと内部調整セットを作った。訓練セットは199例（平均年齢63.88 ± 10.79歳、男性72.36%）である。内部調整セットは85例（平均年齢64.73 ± 9.53歳、男性67.06%）である。施設2〜4の患者は、まとめて一つの外部テストセットとした（82例、平均年齢62.26 ± 10.60歳、男性63.41%）。 磁場強度／シーケンス：1.5 Tと3.0 T。造影T1強調画像とFLAIR（fluid-attenuated inversion-recovery）画像。 評価：2.5D-MILモデルを、臨床・ラジオミクス・3D-DLの各モデルと比べた。評価には、内部調整セットと統合した外部テストセットを用いた。 統計手法：Shapiro-Wilk検定、Student t検定、Mann-Whitney U検定、カイ二乗検定を用いた。あわせて、単変量・多変量ロジスティック回帰とDeLong検定を用いた。性能の指標には、受信者動作特性曲線下面積（AUC）とその95%信頼区間、ならびに分類と較正の指標を用いた。有意水準は両側P < 0.05とした。
結果：内部調整セットのAUCは、2.5D-MILが0.842、臨床モデルが0.740、ラジオミクスモデルが0.710、3D-DLモデルが0.747だった。外部テストセットでは、それぞれ0.826、0.826、0.696、0.664だった。2.5D-MILと各モデルの差は、いずれも有意ではなかった（臨床モデル P = 1.000、ラジオミクスモデル P = 0.139、3D-DLモデル P = 0.119）。
結論：MRIに基づく2.5D-MILモデルは、SCLCとNSCLCの脳転移を非侵襲的に鑑別できる可能性を示した。臨床で使う前に、より大規模な前向き研究が必要である。 エビデンスレベル：3。技術的有効性：ステージ2。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）書誌：Zhu J, Liu C, Zou L, Xu R, Xie X, Tian Y, et al. MRI‐Based 2.5D Multi‐Instance Deep Learning for Differentiating Pathological Subtypes of Brain Metastases From Lung Cancer. Magnetic Resonance Imaging. 2026 Oct 13 [Epub ahead of print]. doi:10.1002/jmri.70588.確認の範囲：抄録のみ確認