AIとがん研究 ── 肺がん ── 2026-10-18

対象誌と選び方は索引の頁に

肺がんの治療・治験とAI

• P3.062：GCN パソミクス・臨床モデルによる進行肺扁平上皮がんの一次化学免疫療法の奏効予測：多施設研究
  P3.062: GCN Pathomics-Clinical Model Predicts Response to First-Line Chemoimmunotherapy in Advanced LUSC: A Multicenter Study
  Journal of Thoracic Oncology · · 証拠の段階: 多施設の予測モデル開発・外部検証研究（前向きか後ろ向きかの記載なし）
  抄録（全訳）

  化学免疫療法（CIT）は、進行肺扁平上皮がん（LUSC）の標準的な一次治療である。しかし、臨床上の利益は患者によって大きく異なる。治療選択に使えるバイオマーカーも、まだ十分でない。本研究は、全スライド画像（WSI）に基づく GCN パソミクスモデルに臨床変数を統合したモデルを作成し、外部検証することを目的とした。このモデルで客観的奏効を予測し、化学免疫療法（CIT）の利益を臨床的に意味のある形で層別化することをめざした。

  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：Wang D, Mu S, Zhang M, Tao G, Wang S, Shen Y, et al. P3.062: GCN Pathomics-Clinical Model Predicts Response to First-Line Chemoimmunotherapy in Advanced LUSC: A Multicenter Study. Journal of Thoracic Oncology. 2026 Oct;21(10):105231. doi:10.1016/j.jtho.2026.105231.
  確認の範囲：抄録のみ確認
• CT と病理を統合したマルチモーダル Transformer による I 期非小細胞肺がんの術後リスク層別化
  Multimodal Transformer Integrating CT and Pathology for Postoperative Risk Stratification in Stage I Non-Small Cell Lung Cancer.
  Radiology. Imaging cancer · · 証拠の段階: 後ろ向きの観察（多施設共同、外部データセットでの検証）
  抄録（全訳）

  目的：I 期非小細胞肺がん（NSCLC）で、術後のリスク層別化を改善し、術後補助療法の効果を予測したい。そのため、解釈可能なマルチモーダル深層学習モデルを開発し、評価した。 対象と方法 I 期 NSCLC 患者を対象とした多施設共同の後ろ向き研究である。マルチモーダルモデル DLRTransformer（Deep Learning-Radiomic-Text Transformer）を開発した。統合した特徴量は次の 4 種類である。CT 画像から得た多視点 2.5 次元の深層学習特徴量、ラジオミクス、臨床変数、病理報告書から得た予後関連の埋め込み表現である。病理報告書の埋め込み表現は、大規模言語モデルで抽出した。モデルの中心にある Transformer がこれらの特徴量を融合し、無病生存期間（DFS）を予測する。性能は独立した外部データセットで評価し、ガイドラインに基づくリスク層別化と比べた。生物学的に解釈できるかを評価するため、モデルのリスクスコアと腫瘍微小環境の特徴との関連を解析した。

  結果：5 施設から計 1073 例を登録した（平均年齢 60.8 ± 9.8 歳［平均 ± 標準偏差］、男性 550 例）。外部データセットで、DLRTransformer の予後予測性能は安定していた（コンコーダンス指数 0.77〜0.78）。ガイドラインに基づくリスク層別化（コンコーダンス指数 0.60〜0.65）より高かった。リスクスコアは腫瘍微小環境の表現型と関連していた。関連した表現型には、腫瘍細胞充実度の上昇と三次リンパ様構造の減少がある。治療とリスクの間に交互作用が認められた。治療とリスクの交互作用が認められた（交互作用のハザード比 [HR] 0.14、95% 信頼区間 0.06〜0.32、P P = 0.02）。一方、低リスク患者では認められなかった。低リスクの患者では治療の効果は認められなかった（HR 1.70、95% 信頼区間 0.97〜2.99、P = 0.06）。

  結論：DLRTransformer では、ガイドラインに基づくリスク層別化よりも術後のリスク層別化が改善した。さらに、術後補助療法の効果が得られた I 期 NSCLC 患者を特定できた。 キーワード: 深層学習、大規模言語モデル（LLM）、CT、予後と予測、非小細胞肺がん（NSCLC）、マルチモーダル深層学習、リスク層別化、術後補助療法、腫瘍微小環境（TME） 補足資料あり。© The Author(s) 2026. 北米放射線学会（Radiological Society of North America）が CC BY 4.0 ライセンスで出版。

  掲載誌の IF 相当：2.2（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：Wang L, Zong Y, Li X, Tang H, Yao J, Cao Y, et al. Multimodal Transformer Integrating CT and Pathology for Postoperative Risk Stratification in Stage I Non–Small Cell Lung Cancer. Radiology: Imaging Cancer. 2026 Nov 1;8(6):e250617. doi:10.1148/rycan.250617.
  確認の範囲：抄録のみ確認

← この号の目次へ