AIとがん研究 ── 乳がん ── 2026-10-18

対象誌と選び方は索引の頁に

乳がんの治療・治験とAI

• 画像から乳がんの遠隔転移を予測する機械学習（ML）・深層学習（DL）アルゴリズムの性能：系統的レビューとメタアナリシス
  Performance of machine learning (ML) and deep learning (DL) algorithms in prediction of breast cancer distant metastasis via imaging: a systematic review and meta‑analysis
  Langenbeck s Archives of Surgery · 2026-10-16 · 証拠の段階: 系統的レビュー・メタアナリシス
  抄録（全訳）

  遠隔転移は、乳がんで亡くなる主な原因である。転移を早く予測できれば、リスクに応じた経過観察や治療計画に役立つ可能性がある。本研究は、画像から将来の遠隔転移を予測する機械学習（ML）・深層学習（DL）モデルを評価した。対象は、ベースライン時に転移のない患者である。

  PubMed、Scopus、Web of Science を 2025 年 6 月まで検索した。Google Scholar も補足的に検索した。対象は、画像に基づく AI 予測モデルを評価し、性能を定量的に報告した研究とした。主要評価項目は受信者動作特性曲線下面積（AUC）とした。バイアスのリスクは PROBAST + AI で評価した。解析には、ランダム効果メタアナリシス、探索的サブグループ解析、単変量メタ回帰を用いた。

  9 研究から、43 件のモデル評価が得られた。モデル単位で統合した AUC は 0.80（95% 信頼区間 0.77〜0.84）であった。副次解析では、各研究で最も性能の高いモデルだけに絞った。この場合の AUC は 0.89（95% 信頼区間 0.83〜0.95）であった。CT を用いたモデルでは、MRI を用いたモデルより AUC が高かった（0.83 対 0.71）。臨床病理学的特徴を組み込んだモデルも、画像だけのモデルより AUC が高かった（0.91 対 0.74）。探索的なメタ回帰では、画像モダリティ、追跡期間、臨床病理学的特徴の組み込みに関連がみられた。研究間の異質性は大きく、9 研究のうち 5 研究はバイアスのリスクが高かった。

  画像に基づく ML・DL モデルは、将来の遠隔転移を予測できる可能性がある。術後補助療法の段階では、外部検証を経たモデルがリスク層別化や個別の経過観察に役立つかもしれない。ただし、AI の予測だけを根拠に経過観察や治療を変えるには、現時点の証拠では足りない。臨床に導入する前に、前向きの外部検証と透明性のある報告が必要である。

  掲載誌の IF 相当：2.5（OpenAlex の直近 2 年の平均被引用数・2026-10-17 時点の値、2026-10-18 に取得。正式な IF（Clarivate）ではない）
  書誌：Dehghani SS, Zakeri A, Zahedinejad S, Nafisi M, Habibi S, Vardanjani HM. Performance of machine learning (ML) and deep learning (DL) algorithms in prediction of breast cancer distant metastasis via imaging: a systematic review and meta‑analysis. Langenbecks Arch Surg. 2026 Oct 16 [Epub ahead of print]. doi:10.1007/s00423-026-04344-4.
  確認の範囲：抄録のみ確認
• 術前化学療法後の乳房の病理学的完全奏効を予測する、治療前の 3 モダリティ超音波深層学習の上乗せ価値と施設間での性能安定性：多施設研究
  Incremental Value and Cross-Center Validation of Pretreatment Tri-Modal Ultrasound Deep Learning for Predicting Breast Pathologic Complete Response to Neoadjuvant Chemotherapy: A Multicenter Study
  Cancers · 2026-10-15 · 証拠の段階: 後ろ向きの観察（多施設、外部検証あり）
  抄録（全訳）

  目的：2 次元超音波、カラードプラ、造影超音波を統合した治療前の深層学習について、予測の上乗せ価値と独立施設間での性能の安定性を評価する。予測の対象は、術前化学療法（NAC）後の乳房の病理学的完全奏効（bpCR）である。3 モダリティとは、二次元超音波（2DUS）、カラードプラ血流イメージング（CDFI）、造影超音波（CEUS）である。あわせて、独立した複数の施設で性能が安定しているかを評価する。

  方法：後ろ向きの多施設研究で、原発性浸潤性乳がんの患者 1089 例を対象とした。施設 1 のデータは、訓練コホート（n = 572）と内部検証コホート（n = 246）に用いた。施設 2（n = 160）と施設 3（n = 111）は、独立した外部検証コホートとした。治療前の 2DUS、CDFI、CEUS の画像を用いた。腫瘍内と腫瘍周囲 10 mm を標準化した枠組みで扱った。この枠組みで、単一モダリティ、2 モダリティの 3 通りすべての組み合わせ、3 モダリティの各モデルを作成した。最も性能の高い 2 モダリティモデルは訓練の段階で決めて固定し、主な画像の比較対象とした。さらに、治療前の臨床変数とバイオマーカーを統合した Tri-modal + Clinical モデルも作った。性能の評価には、受信者動作特性曲線下面積（AUC）、ブライアスコア（Brier score）、較正、決定曲線分析、アブレーション実験を用いた。

  結果：全体で 383 例（35.2%）が bpCR に至った。単一モダリティでは CEUS が最も強かった。2 モダリティでは、2DUS + CEUS の性能が最も高かった。外部コホートを合わせた解析では、3 モダリティモデルの AUC が 2DUS + CEUS より高かった。AUC は 0.895 から 0.919 に上がった（ΔAUC +0.023、95% 信頼区間 +0.010〜+0.038、P = 0.001）。ブライアスコア（0.124 から 0.105）と F1 スコア（0.747 から 0.786）も、これに対応して改善した。AUC の点推定値は、外部の 2 施設のいずれでも上がった。ただし、外部検証コホート 2 では、AUC の上乗せ分の 95% 信頼区間が 0 を含んでいた。CDFI は単独での識別能が控えめだった。CDFI は単独での識別能が低かったが、2DUS + CEUS に加えると、測定可能な追加情報をもたらした。治療前の臨床変数とバイオマーカーをさらに統合すると、外部コホート全体の AUC は 0.935 に上がった。入力を減らして再訓練すると、どのモダリティを除いても性能は下がった。下がり方が最も大きかったのは、CEUS を除いたときである。

  結論：治療前の 3 モダリティ超音波深層学習は、最良の 2 モダリティモデルを上回る bpCR 予測の上乗せ価値を示し、その傾向は独立した 2 つの外部施設で一貫していた。上乗せの方向は、独立した外部 2 施設のいずれでも一貫していた。臨床変数とバイオマーカーを統合すると、予測情報がさらに加わった。この結果は、治療前の bpCR を個別に予測するために、このマルチモーダルな枠組みをさらに評価する根拠となる。

  掲載誌の IF 相当：5.3（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：Wei C, Pan T, Li T, Zheng C, Duan Y, Nie F. Incremental Value and Cross-Center Validation of Pretreatment Tri-Modal Ultrasound Deep Learning for Predicting Breast Pathologic Complete Response to Neoadjuvant Chemotherapy: A Multicenter Study. Cancers. 2026 Oct 15;18(20):3326. doi:10.3390/cancers18203326.
  確認の範囲：抄録のみ確認
• 人工知能による非浸潤性乳管がんのアップステージ予測の診断精度：系統的レビューとメタアナリシス
  DIAGNOSTIC ACCURACY OF ARTIFICIAL INTELLIGENCE IN THE UPSTAGING PREDICTION OF DUCTAL CARCINOMA IN SITU: A SYSTEMATIC REVIEW AND META-ANALYSIS
  World Journal of Advanced Research and Reviews · 2026-10-15 · 証拠の段階: 系統的レビュー・メタアナリシス
  抄録（全訳）

  背景：非浸潤性乳管がん（DCIS）は、手術で切除した後に浸潤がんへアップステージ（病期の引き上げ）されることがある。手術前にアップステージを予測できれば、治療計画の参考になる可能性がある。この目的で、人工知能（AI）を用いた画像解析が研究されてきた。しかし、全体としての性能はまだ分かっていない。

  目的：DCIS が浸潤がんへアップステージされるかを予測する AI システムについて、診断精度を評価する。 対象と方法: PRISMA 2020 に沿って系統的レビューとメタアナリシスを行い、PROSPERO に登録した（CRD420261516994）。PubMed、Scopus、EBSCOhost、ProQuest、Web of Science を、各データベースの開始時から 2026 年 9 月まで検索した。対象は、DCIS の浸潤がんへのアップステージングを予測する AI 画像モデルを評価した研究とした。統合感度と統合特異度は、二変量ランダム効果モデルで算出した。バイアスのリスクは QUADAS-2 で評価した。

  結果：6 研究、参加者 701 例を対象とした。統合感度は 0.77（95% 信頼区間 0.57〜0.89）、統合特異度は 0.78（95% 信頼区間 0.64〜0.87）であった。異質性はいずれも大きかった（I² はそれぞれ 84.0% と 90.6%）。対数診断オッズ比（DOR）の統合値は 2.15（95% 信頼区間 1.64〜2.65）であった。要約受信者動作特性（SROC）解析では、全体の識別能は中程度であった。画像モダリティの間に有意な差はみられなかった。一方、AI モデルの種類は特異度に有意に影響したが、感度には影響しなかった。Deeks のファンネルプロットで、出版バイアスの可能性が示唆された（P = 0.046）。

  結論：AI を用いた画像解析で DCIS のアップステージを予測すると、精度は中程度であった。ただし、異質性が大きく、方法論上の限界もあるため、この結果はあまり確かとはいえない。外部検証を含む前向き研究が、さらに必要である。

  掲載誌の IF 相当：1.0（OpenAlex の直近 2 年の平均被引用数・2026-10-16 時点の値、2026-10-17 に取得。正式な IF（Clarivate）ではない）
  書誌：Qelmi TS, Raditya AF, Nandini KA, Kencono CD. DIAGNOSTIC ACCURACY OF ARTIFICIAL INTELLIGENCE IN THE UPSTAGING PREDICTION OF DUCTAL CARCINOMA IN SITU: A SYSTEMATIC REVIEW AND META-ANALYSIS. World J Adv Res Rev. 2026 Oct 31;32(1):802-11. doi:10.30574/wjarr.2026.32.1.2580.
  確認の範囲：抄録のみ確認

← この号の目次へ