AIとがん研究 ── 2026-10-17
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（2） · 膵がん（0） · 前立腺がん（1） · 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（2） · 腎臓がん（2） · 膀胱がん（0）
がん一般の分子生物学の進展とAI
- Impact of Artificial Intelligence Assistance on Radiologist Performance in CT-Based Pulmonary Nodule Detection: A Systematic Review and Meta-Analysis of Detection Accuracy Studies抄録（全訳）
はじめに：肺がんは今もがん死亡の主な原因の一つである。死亡を防ぐには、コンピュータ断層撮影（CT）で肺結節を早く見つけ、経過を追うことが欠かせない。ただし CT の読影は時間がかかり、疲労による誤りも起こりうる。人工知能（AI）を放射線科医と併用すれば、肺結節をよりよく検出できる可能性がある。これにより、読影時間の短縮と診断の信頼性の向上につながる可能性がある。ただし、真陽性が常に診断される程度については、不確かだとする報告がある。AI 支援による肺結節の検出で、偽陽性率が上がったとする研究があるためである。本系統的レビューとメタアナリシスでは、AI 支援が感度と偽陽性率に与える影響を、支援なしの読影と比べて調べた。
方法：PRISMA ガイドラインに従い、Cochrane、PubMed、Medline、Embase で網羅的に文献を検索した。結節検出で AI 支援読影と放射線科医単独の読影を比べた研究を対象とした。これらの研究が追加で報告した結果は、副次評価項目の解析に用いた。バイアスのリスクとデータの質は ROBINS-1 ツールで評価した。二値アウトカムは、リスク比とリスク差を 95% 信頼区間とともに示した。連続アウトカムには、平均差と 95% 信頼区間を用いた。標準偏差の欠測値の補完については感度分析を行った。
結果：7 研究が、第二読影者（SR）モードまたは同時読影（CR）モードでの平均感度を報告していた。組み入れた研究のうち 5 件は第二読影者方式をとっていた。感度は、AI 支援時が 38%〜85.66%、支援なしが 20.9%〜73.46% だった。同時読影を報告した研究は 3 件だった。感度は AI 支援時が 80%〜84%、支援なしが 64%〜72% だった。統合解析では、AI 支援読影の感度が有意に高かった（リスク比 1.39、95% 信頼区間 1.08〜1.79、P = 0.01、I² = 95%）。スキャンあたりの偽陽性数は 5 研究が報告していた。そのうち 4 研究では、AI 支援で数値上増えていた。ただし分散の報告が不完全で、研究間の異質性もあったため、量的な統合はできなかった。AI を第二読影者として使うと読影時間は延びたが、有意ではなかった（平均差（MD）77.54、95% 信頼区間 −57.50〜212.6、P = 0.132、I² = 64.9%）。同時読影でも、AI 支援による読影時間の差は統計的に有意ではなかった（MD −11.39、95% 信頼区間 −498.7〜476.0、P = 0.816、I² = 41.3%）。
結論：AI 支援読影では、支援なしの読影より肺結節検出の感度が有意に上がる。ただし、偽陽性の増加や業務の流れの乱れとの兼ね合いはまだ分かっていない。異質性が大きく、研究数も少ないため、確定的な臨床上の推奨はできない。この結果は探索的なものとみなすべきである。肺がん検診に AI を導入するには、前向きの検証が必要である。
掲載誌の IF 相当：4.3（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：Singh V, Gunda S, Shah A, Mathew J, Ravendran K. Impact of Artificial Intelligence Assistance on Radiologist Performance in CT-Based Pulmonary Nodule Detection: A Systematic Review and Meta-Analysis of Detection Accuracy Studies. J Imaging. 2026 Oct 14;12(10):509. doi:10.3390/jimaging12100509.確認の範囲：抄録のみ確認 - Advances in artificial intelligence for brain imaging and computer-aided diagnosis of neurological diseases: a systematic literature review抄録（全訳）
背景：脳画像は、神経疾患の構造・機能・代謝・神経生理の特徴をとらえる中心的な手段である。しかし読影には、まだ制約がある。撮像条件、アノテーション、専門性、臨床状況にばらつきがあるためである。
目的：脳画像とコンピュータ支援診断に用いる最近の人工知能（AI）の手法を、系統的文献レビューで評価した。特に、手法、モダリティ、神経疾患、診断タスク、データセット、検証の実施状況、臨床への橋渡しにおける限界に着目した。
方法：PRISMA 2020 に従った。対象は、2020 年 1 月〜2026 年 6 月に出版された査読付きの英語論文とした。8 つの情報源を、データベースごとの検索語で検索した。検索語は、人工知能、神経画像、神経疾患、診断解析に関するものである。検索で 1,078 件が見つかり、重複 236 件を除いた。残った 842 件をスクリーニングし、258 件の全文を評価した。記録単位で適格性を再監査し、最終的に 123 研究を組み入れた。エビデンスの異質性が高いため、メタアナリシスは行わなかった。代わりに、叙述的な統合と記述的なマッピングでまとめた。
結果：組み入れた研究と補助的なマッピングデータでは、磁気共鳴画像（MRI）が多く見られた。CT は急性期脳卒中と頭蓋内出血でよく使われていた。陽電子放出断層撮影（PET）は、分子レベルと鑑別診断の一部の研究で用いられていた。機能的 MRI（fMRI）と拡散画像は、ネットワーク解析と白質解析に使われていた。脳波（EEG）は、神経生理学的な診断まで対象を広げていた。手法では、畳み込みニューラルネットワーク（CNN）と三次元ネットワークがよく報告されていた。注意機構、Transformer、グラフ、自己教師あり、生成、マルチモーダル、基盤モデルの手法は、最近の一部の研究に見られた。疾患では脳卒中、認知症、脳腫瘍が多かった。ただし対象集団と評価項目はばらばらで、検証に関する情報の抽出も不完全だった。そのため、疾患、モダリティ、アーキテクチャ、検証戦略の順位付けはできなかった。
結論：一部の場面では、次のような流れがエビデンスから示唆される。タスクに特化したパターン認識から、マルチモーダルで文脈を豊富に踏まえた意思決定支援へ向かう流れである。ただし、方法論の一様な優位性や臨床での成熟度を立証するものではない。確かな臨床応用には、次の要素が必要である。患者レベルのデータガバナンス、透明な報告、不確実性の推定、独立した多施設検証、前向きのワークフロー評価、臨床的に意味のある評価項目である。
掲載誌の IF 相当：3.6（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：Omarov B. Advances in artificial intelligence for brain imaging and computer-aided diagnosis of neurological diseases: a systematic literature review. Front Hum Neurosci. 2026 Oct 14;20:1963855. doi:10.3389/fnhum.2026.1963855.確認の範囲：抄録のみ確認
乳がんの治療・治験とAI
- Machine learning-based pathomics signature as a novel digital marker for C-X-C motif chemokine ligand 9 expression and prognostic assessment in breast cancer抄録（全訳）
目的：C-X-C モチーフケモカインリガンド 9（CXCL9）は、腫瘍浸潤リンパ球を呼び込む重要な因子である。乳がん（BC）のバイオマーカー候補でもある。本研究では、機械学習を用いたハンドクラフト型のパソミクスモデルを作ることを目指した。このモデルは、日常診療で使うヘマトキシリン・エオジン（H&E）染色標本から、CXCL9 に関連する形態的特徴をとらえて生存転帰を予測する。続いて、得られたパソミクススコア（PS）の生物学的な意味と臨床での有用性を評価した。これにより、リスク層別化の客観的な枠組みを示すことを目指した。 材料と方法：Cancer Genome Atlas の乳がん患者 791 例で、パソミクスモデルを作った。モデルは、H&E 画像の定量的な特徴と機械学習を組み合わせたものである。特徴量の選択は訓練セットの中だけで行い、最小冗長性最大関連性法と再帰的特徴量削減を用いた。次に勾配ブースティングマシンでモデルを作った。モデルは CXCL9 発現の予測確率を PS として出力する。性能は、訓練、テスト、外部検証の各コホートで評価した。統合的なバイオインフォマティクス解析で、PS と次の項目との関連を調べた。生存、免疫浸潤、がん免疫サイクル（CI サイクル）の活性、腫瘍遺伝子変異量（TMB）、分子サブタイプである。
結果：CXCL9 発現は、全生存期間の有意な予後因子であることが確かめられた（P = 0.037）。CXCL9 発現状態の予測性能は、訓練・テスト・外部のいずれのコホートでも安定していた（曲線下面積（AUC）はそれぞれ 0.741、0.729、0.704）。PS は CXCL9 発現と有意に相関し、予後の異なる群に患者を分けた（P = 0.012）。多変量解析でも、PS は有意な保護因子であり続けた（ハザード比 0.66、P = 0.048）。機序の面では、PS が高いことは免疫炎症型の特徴と関連していた。その特徴は、ナチュラルキラー細胞と CD8+ T 細胞の浸潤の増加、CI サイクル活性の亢進、TMB の上昇である。さらに PS は、臨床的な不均一性もよく反映していた。分子サブタイプの中では、トリプルネガティブ乳がんのスコアが最も高かった（P < 0.001）。
結論：このパソミクスの枠組みは、画像に由来する CXCL9 発現の指標を与え、乳がんの予後層別化を支える可能性がある。乳がんの予後層別化に役立つ可能性がある。免疫炎症型の特徴との関連から、免疫表現型の評価に関わる可能性が示唆される。ただし、免疫療法の効果予測に使えるかどうかは、免疫療法を受けたコホートで検証する必要がある。
掲載誌の IF 相当：2.2（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：Huang W, Zhan M, Yu J, Ren L, Du J, Hou Y, et al. Machine learning-based pathomics signature as a novel digital marker for C-X-C motif chemokine ligand 9 expression and prognostic assessment in breast cancer. Cytojournal. 2026 Oct 13;23:63. doi:10.25259/cytojournal_67_2026.確認の範囲：抄録のみ確認
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
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
- Predictors of guideline-concordant treatment intensification in metastatic castration-sensitive prostate cancer: an explainable machine learning study抄録（全訳）
背景：転移性去勢感受性前立腺がん（mCSPC）では、適格な患者に治療強化が推奨されている。治療強化とは、アンドロゲン除去療法（ADT）に別の薬を加えることである。加える薬は、ドセタキセル、アンドロゲン受容体経路阻害薬、または一部の3剤併用レジメンである。治療強化を採用する施設は増えているが、日常診療での実施にはまだばらつきがある。
目的：mCSPCの一次全身治療が年ごとにどう変わったかを調べることである。あわせて、ガイドラインに沿った治療強化を受けることに関連する因子を見つけることを目指した。因子の探索には、探索的な説明可能機械学習を用いた。
方法：全国の治療パターンは、Pfizer Oncology Quality Care Insight Toolで評価した。このツールは、IQVIA Anonymized Patient Longitudinal Dataに基づく。施設の治療パターンは、Avera Healthのデータで評価した。探索コホートは42例である。対象は、2018〜2023年に治療を受け、mCSPCと記録された42例である。ガイドラインに沿った治療強化は、ADT開始から90日以内に、ドセタキセルまたは新規ホルモン療法を併用した場合と定義した。アウトカムから派生している可能性のある変数は、モデル作成の前に除いた。6種類の予測手法を、反復入れ子層別交差検証で評価した。外側では5分割交差検証を20回繰り返した。内側では5分割交差検証を3回繰り返した。再帰的特徴量削減は、外側の訓練分割の中で行った。クラス不均衡には、リサンプリングの中でSMOTEを用いて対処した。
結果：42例中32例（76.2%）が、ガイドラインに沿った治療強化を受けていた。治療パターンを解析すると、一次治療での新規ホルモン療法の使用は年々増え、ADT単独療法は減っていた。反復入れ子検証では、識別能は控えめで、モデルによってばらついた。患者単位の曲線下面積（AUC）が最も高かったのは、決定木（Decision Tree）の0.675（95%信頼区間 0.421〜0.929）だった。ランダムフォレスト（Random Forest）は、AUC 0.650（95%信頼区間 0.383〜0.917）だった。ランダムフォレストでは、正解率85.7%、適合率88.2%、再現率93.8%、F1スコア0.909だった。特徴量選択の安定性をみると、最も一貫して選ばれた予測因子は、新規ホルモン療法の保険適用だった。次に多かったのは陽性コア比率で、その次が喫煙歴だった。この3変数を、説明用の最終ランダムフォレストモデルに残した。大域的SHAP解析とランダムフォレストの重要度解析では、因子の順位はおおむね一致した。
結論：日常診療で、mCSPCの治療強化は大きく増えた。反復入れ子検証による性能推定値は、当初の単一分割解析より控えめで、ばらつきも大きかった。このことは、小規模コホートによる本研究が探索的であることを改めて示している。医療へのアクセスと一部の臨床因子は、より大規模な多施設データでさらに評価する必要がある。
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：Barton Odro E, Bychinski J, Van Alstyne T, Corsini C, Owen P, Jones CP, et al. Predictors of guideline-concordant treatment intensification in metastatic castration-sensitive prostate cancer: an explainable machine learning study. Front Oncol. 2026 Oct 13;16:1835503. doi:10.3389/fonc.2026.1835503.確認の範囲：抄録のみ確認
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
- MRI-based preoperative WHO grade prediction in meningioma: development and comparison of deep learning, radiomics, clinical, and combined models in multicenter data.抄録（全訳）
目的：頭蓋内髄膜腫の世界保健機関（WHO）グレードを術前に判定するため、相補的なMRIベースのモデルとそれらのスタッキングによる組み合わせを開発し、外部検証することである。磁気共鳴画像（MRI）に基づく互いに補完的なモデルと、それらをスタッキングで組み合わせたモデルを対象とした。
方法：多施設の後ろ向き研究である。病理組織学的に確定した髄膜腫455例を対象とした。内訳は、4施設の開発コホート（346例）と外部コホート（109例）である。開発コホートでは、1施設ずつ除いて検証する交差検証（leave-one-center-out）を行った。4つの基本モデルは、いずれも造影T1強調MRIを用いた。1つ目は腫瘍と腫瘍周囲のラジオミクスである。2つ目はnnU-Netのセグメンテーションに基づく分類器である。3つ目は、凍結したDINOv3の転移学習特徴量を用いるモデルである。4つ目は臨床変数である。15通りの組み合わせは、すべて事前に規定した。組み合わせは、線形メタ学習器でスタッキングした。メタ学習器は、開発コホートのアウトオブフォールド予測で訓練した。凍結したモデルは、手を加えずに外部コホートで評価した。
結果：WHOグレード2〜3の腫瘍は、全体の24.6%（112/455）を占めた（開発コホート20.5%、外部コホート37.6%）。外部コホートの曲線下面積（AUC）は、nnU-Netが0.732、DINOv3が0.703、臨床モデルが0.645、ラジオミクスが0.628だった。外部AUCが最も高かったのは、マルチモーダルアンサンブル（nnU-Net＋DINOv3＋臨床）の0.742だった。このアンサンブルはラジオミクスを上回った（ΔAUC +0.114、P = 0.008）。一方、nnU-Netとの差は有意ではなかった（ΔAUC +0.011、P = 0.737）。臨床モデルと比べると識別能は高かった。ただし、事前に定めた有意水準では有意ではなかった（ΔAUC +0.098、P = 0.050）。再分類は改善した（統合判別改善度［IDI］+0.109、P < 0.001）。ラジオミクスを含む組み合わせは、開発コホートでは高い性能を示した。しかし、外部コホートでは識別能の大半を失った。マルチモーダルアンサンブルの外部コホートでの較正スロープは1.32（Brierスコア 0.190）だった。閾値0.23以上では、マルチモーダルアンサンブルの正味の利益が既定の戦略を上回った。
結論：マルチモーダルアンサンブルは外部AUCが最も高かったが、nnU-Netを有意には上回らなかった。単独の予測モデルのうち、ほかのデータに最もよく適用できた（移植性が高かった）のはnnU-Netだった。臨床変数を加えても識別能は改善しなかったが、特徴量ごとの寄与を解釈できるようになった。人が設計したラジオミクス特徴量は、外部データへの移植性に欠けた。
掲載誌の IF 相当：3.2（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：Huryol C, Sulaimanov U, Yuce M, Sanlier N, Ozturk F, Ozturk O, et al. MRI-based preoperative WHO grade prediction in meningioma: development and comparison of deep learning, radiomics, clinical, and combined models in multicenter data. J Neurooncol. 2026 Oct 14;180(1):18. doi:10.1007/s11060-026-05827-6.確認の範囲：抄録のみ確認 - Advancing Brain Tumor Management Using Generative AI: A Comprehensive Review of MRI-Based Applications抄録（全訳）
目的：MRIに基づく脳腫瘍の診療に生成人工知能（GenAI）がどのように組み込まれているかを、系統的にレビューすることである。あわせて、腫瘍の検出、セグメンテーション、診断、治療計画、転帰予測への影響を評価した。設定したリサーチクエスチョンは二つある。一つは、GenAIがMRIを用いた脳腫瘍診療をどの程度効果的に向上させられるかである。もう一つは、臨床応用を妨げている課題は何かである。
方法：PRISMAガイドラインに沿って系統的文献レビューを行った。検索したデータベースは、PubMed、IEEE Xplore、ScienceDirect、SpringerLink、Web of Scienceである。2015〜2025年に発表され、脳腫瘍MRIの解析に生成モデルを適用した研究を対象とした。生成モデルとして、敵対的生成ネットワーク（GAN）、変分オートエンコーダ（VAE）、拡散モデル、トランスフォーマーに基づく手法を含めた。査読付きの研究55件からデータを抽出し、定性的に統合した。
結果：GANを畳み込みニューラルネットワーク（CNN）やトランスフォーマーと組み合わせたハイブリッド構造では、分類精度が最高99.53%に達した。マルチモーダルMRIデータを用いたアテンションベースのセグメンテーションモデルでは、Diceスコアが0.89を超えた。GenAIは、腫瘍の検出、モダリティ間の画像合成、データ拡張、治療の個別化、生存予測に大きく貢献していた。主な課題は、データ不足、モデルの説明可能性、アルゴリズムのバイアス、前向きの臨床検証の必要性だった。
結論：GenAIは、データの制約を補い、個別化した治療戦略を実現できる。GenAIは、データ不足を補い個別化治療を可能にすることで、神経腫瘍診療を大きく変える可能性がある。ただし、臨床応用を成功させるには、倫理面の懸念の解消、規制への準拠、マルチモーダル統合の進展が欠かせない。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Advancing Brain Tumor Management Using Generative AI: A Comprehensive Review of MRI-Based Applications. Zenodo (CERN European Organization for Nuclear Research). [Epub ahead of print]. doi:10.5281/zenodo.23337543.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
- Intratumoral habitat combined with peritumoral radiomics to improve the predictive performance of initial TACE efficacy: a multicenter retrospective study抄録（全訳）
背景と目的 中間期の肝細胞がん（HCC）では、経カテーテル動脈化学塞栓療法（TACE）が主な治療である。ただし、TACEへの反応は患者ごとに大きく異なる。そのため、治療効果を非侵襲的かつ精確に評価する方法が必要である。本研究は、腫瘍内ハビタット画像と腫瘍周囲ラジオミクス特徴を併用したときの、TACE反応の予測能を検討することを目的とする。 2015年1月から2023年12月までに4施設でTACEを受けたHCC患者を、後ろ向きに登録した。全例が造影MRIを受けていた。施設A・Bの患者を訓練コホート、施設C・Dの患者を外部検証コホートとした。画像には3相の造影MRI（動脈相・門脈相・遅延相）を用いた。K-Meansクラスタリングで、腫瘍内を3つのハビタット亜領域（Habitat 1、2、3）に分けた。腫瘍周囲からも特徴を抽出した。臨床変数も集めた。 主要なラジオミクス特徴はLASSO回帰で選んだ。臨床指標は、単変量と多変量のロジスティック回帰で特定した。XGBoostアルゴリズムで、腫瘍内・腫瘍周囲・臨床・統合の4つのモデルを作った。性能は、受信者動作特性（ROC）曲線、較正曲線、決定曲線分析（DCA）、DeLong検定で評価した。
結果：初回TACEを受けたHCC患者174例を登録した。内訳は訓練コホート104例、検証コホート70例である。ハビタット亜領域から主要な腫瘍内特徴15個、腫瘍周囲領域からラジオミクス特徴24個が特定され、主にウェーブレット変換とテクスチャ解析に由来していた。その多くはウェーブレット変換とテクスチャ解析に由来していた。Cluster 2の特徴 wavelet-LLL_glszm_ZoneVariance_ PVP はモデルへの寄与が大きく、予測に正の影響を与えていた（SHAP値が最大）。 多変量解析でも、α-フェトプロテイン（AFP）（P = 0.015）と腫瘍径（P = 0.016）は、TACEへの反応と有意に関連していた。 臨床・腫瘍内ハビタット・腫瘍周囲ラジオミクスを組み合わせた統合モデルは、予測性能が優れていた。曲線下面積（AUC）は、訓練コホートと検証コホートでそれぞれ0.950（95% 信頼区間 0.89〜1.00）、0.850（0.79〜0.91）、0.830（0.77〜0.89）であった。この値は単独モデルを上回っていた（臨床：AUC = 0.700、Tumor_Habitat：AUC = 0.880、Peritumor_Radiomics：AUC = 0.870、P < 0.05）。較正曲線とDCAでは、予測と実測がよく一致していた。評価した閾値確率の範囲で、正味の利益も良好であった。
結論：AFP、腫瘍径、腫瘍内ハビタット画像、腫瘍周囲ラジオミクスを統合したモデルで、HCC患者の初回TACEへの反応を精度よく予測できる。腫瘍内ハビタット亜領域の中では、Cluster 2由来の特徴の寄与が比較的大きかった。この非侵襲的な予測ツールは、治療前のリスク層別化に補完的な情報を与える可能性がある。臨床で使えるかを確かめるには、今後、前向きの多施設研究が必要である。
掲載誌の IF 相当：2.7（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Wang Z, Yin N, Su R, Zhou M, Sun Z, Li J, et al. Intratumoral habitat combined with peritumoral radiomics to improve the predictive performance of initial TACE efficacy: a multicenter retrospective study. Front Oncol. 2026 Oct 14;16:1772206. doi:10.3389/fonc.2026.1772206.確認の範囲：抄録のみ確認 - CT habitat and peritumoral radiomics for predicting progression after repeat TACE in hepatocellular carcinoma: a multicenter study抄録（全訳）
背景：本研究では、機械学習を用いたラジオミクスモデルを開発し、検証した。このモデルは、腫瘍ハビタットのラジオミクス、腫瘍周囲のラジオミクス、臨床特徴を統合したものである。ハビタット、腫瘍周囲、臨床の特徴を統合し、肝細胞がん（HCC）の反復経動脈化学塞栓療法（TACE）後の無増悪生存期間（PFS）を予測する機械学習モデルを構築・検証した。
方法：この後ろ向き多施設研究では、HCC患者270例を対象とした。施設1の患者を、訓練コホート（n = 94）と内部検証コホート（n = 41）に割り付けた。施設2（n = 82）と施設3（n = 53）は外部検証コホートとした。造影CT画像から、腫瘍ハビタットと5 mmの腫瘍周囲領域を作成した。ラジオミクス特徴は、単変量Cox回帰とLASSO-Cox回帰で選択した。 選択したラジオミクスシグネチャーと臨床変数を統合し、融合モデルとHPCリスクスコアを構築した。性能は、時間依存性ROC解析、C-index、較正、決定曲線分析、Kaplan–Meier解析で評価した。
結果：ハビタットの最適なクラスター数はK = 2であった。融合モデルには、ハビタット特徴11個、腫瘍周囲特徴3個、α-フェトプロテインが残った。 3か月・6か月・9か月の無増悪生存に対するAUC（曲線下面積）は、訓練コホートでそれぞれ0.923、0.921、0.897であった。内部検証コホートのAUCは、3・6・9か月の無増悪生存でそれぞれ0.932、0.863、0.916であった。外部コホートのAUCはすべて0.82を超えた。 融合モデルのC-indexは、いずれのコホートでも臨床モデルより高かった。高リスク群のPFSは、低リスク群より有意に短かった（いずれも P < 0.001）。較正と決定曲線分析では、良好な一致と臨床的有用性が示された。
結論：CTに基づく融合モデルとHPCリスクスコアで、HCCの増悪リスクを有効に予測できた。
掲載誌の IF 相当：5.2（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：Wang F, Hu Y, Shi ZX, He XY, Sui YH, Wen FK, et al. CT habitat and peritumoral radiomics for predicting progression after repeat TACE in hepatocellular carcinoma: a multicenter study. Front Pharmacol. 2026 Oct 14;17:1942002. doi:10.3389/fphar.2026.1942002.確認の範囲：抄録のみ確認
腎臓がんの治療・治験とAI
- Interpretable machine learning for preoperative prediction of WHO/ISUP grade in clear cell renal cell carcinoma using contrast-enhanced CT–derived extracellular volume fraction抄録（全訳）
目的：淡明細胞型腎細胞がん（ccRCC）で、世界保健機関/国際泌尿器病理学会（WHO/ISUP）グレードを術前に予測する機械学習（ML）モデルを開発し、検証する。淡明細胞型腎細胞がん（ccRCC）の術前WHO/ISUPグレードを予測するため、造影CT由来の細胞外容積分画（ECV）に臨床特徴と画像特徴を統合した、解釈可能な機械学習モデルを構築・検証した。 対象と方法 2施設で病理学的にccRCCと確定した患者263例の後ろ向きコホートを解析した。病院Aの患者（n=184）は、訓練コホート（n=128）と内部検証コホート（n=56）に無作為に分けた。病院Bの患者（n=79）は、独立した外部検証コホートとした。CTから、ECV、動脈相増強分率（AEF）、従来の画像特徴を抽出した。 機械学習モデルは6種類を構築した。ロジスティック回帰（LR）、eXtreme Gradient Boosting（XGBoost）、ガウシアン・ナイーブベイズ（GNB）、サポートベクターマシン（SVM）、k近傍法（KNN）、Light Gradient Boosting Machine（LightGBM）である。ブートストラップ再標本化により、最も性能のよいモデルを特定した。モデルの解釈性は、SHapley Additive exPlanations（SHAP）で評価した。
結果：高グレードのccRCCでは、腫瘍径、ECV、AEFが有意に高かった。ヘマトクリット（HCT）は低かった。高グレードのccRCCでは、腫瘍径（低グレード4.99 ± 1.98 cm、高グレード6.20 ± 2.72 cm、P = 0.002）、ECV（0.46 ± 0.09、0.57 ± 0.12、P<0.001）、動脈相増強分画（AEF、1.37 ± 0.24、1.56 ± 0.25、P<0.001）が有意に高く、ヘマトクリット（HCT、0.41 ± 0.05、0.38 ± 0.06、P<0.001）は低かった。 - 腫瘍径：低グレード 4.99 ± 1.98 cm、高グレード 6.20 ± 2.72 cm（P = 0.002） - ECV：低グレード 0.46 ± 0.09、高グレード 0.57 ± 0.12（P < 0.001） - AEF：低グレード 1.37 ± 0.24、高グレード 1.56 ± 0.25（P < 0.001） - HCT：低グレード 0.41 ± 0.05、高グレード 0.38 ± 0.06（P < 0.001） 最適モデルはLRで、安定して高い性能を示した。曲線下面積（AUC）は次のとおりである。 - 訓練コホート：AUC = 0.995（95% 信頼区間 0.990〜0.999） - 内部検証：AUC = 0.903（95% 信頼区間 0.818〜0.988） - 外部テスト：AUC = 0.857（95% 信頼区間 0.756〜0.958） SHAP解析では、上位3つの予測因子はECV、腫瘍径、AEFであった。
結論：CT由来のECVと画像特徴を取り入れた解釈可能なMLモデルで、ccRCCのWHO/ISUPグレードを術前に有効に予測できる。個別のリスク層別化と臨床判断に使える非侵襲的なツールとなる。
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：Wang Y, Wang Y, Bai G, Huang W, Huang M, Chen W. Interpretable machine learning for preoperative prediction of WHO/ISUP grade in clear cell renal cell carcinoma using contrast-enhanced CT–derived extracellular volume fraction. Front Oncol. 2026 Oct 13;16:1851636. doi:10.3389/fonc.2026.1851636.確認の範囲：抄録のみ確認 - Automated grading of renal cell carcinoma using an efficient deep learning approach on histopathology images抄録（全訳）
医療の分野で、腎細胞がん（RCC）は腎臓がんの中で最も多い病型である。RCCは不均一で、固有の病理組織学的特徴をもつ。病理組織スライドからRCCのグレードを判定することは、予後の推定と治療方針の決定に欠かせない。しかし、手作業での判定は労力と時間がかかる。手作業のグレード分類は労力と時間がかかり、観察者間にもともとあるばらつきへの対処も要する。
近年、深層学習（DL）の手法は医用画像解析で大きな利点を示している。ただし、DLをRCCのグレード判定に応用するには、まだいくつかの課題がある。課題には、注釈付きのデータセットが小さいことと、複雑な病理組織学的特徴を十分に表現できるアルゴリズムが少ないことがある。
さらに本研究では、RCCスライドをデジタル化した病理組織スキャンのデータセットを提供する。これらは病理専門医が注釈を付けたもので、モデルの訓練と試験に足りる規模がある。そこで、RCCの自動グレード分類に、提案する Dual Attention-Gated Dilated MobileNetV2（DAG-DMobileNetV2）を用いる。
このモデルは、拡張畳み込み（dilated convolution）で受容野を広げる。解像度を落とさずに、より広い文脈を捉えるためである。これにより、微細な特徴と全体的な特徴の両方を効果的に抽出できる。また、チャネル注意機構と空間注意機構からなる二重注意機構を備える。この仕組みで、重要な領域と特徴チャネルを動的に強調できる。同時に無関係なノイズを抑え、診断上重要な領域に集中できる。さらに、MobileNetを基盤とするため効率よく動作し、リアルタイムの臨床現場への導入に適する。
以上から、本モデルの貢献は、独自の注意モジュールと拡張畳み込みを組み合わせた点にある。これにより、RCCの4つのグレードを精確に識別できる。提案するDAG-DMobileNetV2は、分類性能と特徴表現を向上させ、計算量を減らして推論を速める。計算量も減り、推論が速くなった。さらに、DAG-DMobileNetV2の注意機構は、病理組織画像の画質のばらつきに自動的に順応するはずである。
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：Harinath Y, Sureshbabu A. Automated grading of renal cell carcinoma using an efficient deep learning approach on histopathology images. Discov Computing. 2026 Oct 13;29(1):748. doi:10.1007/s10791-026-10616-w.確認の範囲：抄録のみ確認
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。