AIとがん研究 ── 2026-10-18
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（4） · 乳がん（3） · 肺がん（2） · 膵がん（1） · 前立腺がん（2） · 腺様嚢胞癌（0） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（1） · 肝臓がん（0） · 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
- Physics-informed neural operators for rapid electric field prediction in transcranial magnetic stimulation of healthy and tumor subjects抄録（全訳）
個別化した臨床応用には、経頭蓋磁気刺激（TMS）で生じる電場を正確に、かつ速く予測する必要がある。応用先は、大うつ病性障害の個別化治療から、神経腫瘍領域の術前機能マッピングまで幅広い。しかし従来の有限要素法は計算負荷が大きく、対話的に使うには遅すぎることが多い。
既存の深層学習による代理モデル（サロゲートモデル）は、この制約を一部補っている。ただし、その多くは固定したボクセル格子での表現に限られる。そのため、被験者ごとの頭部メッシュの不規則な形状をそのまま扱えない。
本研究では、ベクトルとしての TMS 電場を被験者ごとに予測する、初の物理情報ニューラルオペレータ（PINO）を作った。このモデルはメッシュをそのまま扱う二重エンコーダ構造をもつ。頭部の解剖とコイルの配置を同時に符号化する。
TMS の二次電場には、回転（curl）がゼロという性質がある。PINO モデルは、この性質に合わせた curl ベースの正則化項を取り入れた。この項は、データによる教師あり学習とあわせて緩い制約（ソフト正則化）として働く。これにより、物理的な整合性が保たれやすくなる。
学習には IXI データセットの 75 人を用いた。評価は、学習に使っていない独立した 4 つのテストデータセットで行った。テストデータには、別の 2 つの MRI コホートの健常者と、腫瘍患者が含まれる。学習ベースの TMS 電場予測で腫瘍患者を評価したのは、これが初めてである。
定式化が解像度に依存しないため、再学習しなくても、被験者・コイルの種類・空間解像度が変わっても汎化する。一般向けの GPU で、灰白質の約 300,000 個のボリュームノード上のベクトル電場を、100 ms 未満で予測できた。
focality-50% 領域での成績は、どのテストデータセットでも次のとおりであった。重心誤差の中央値は 0.39〜0.43 mm、二乗平均平方根誤差（RMSE）は 0.12〜0.16 V/m であった。平均角度偏差（MAD）は 6.7°〜7.3° であった。これらは、最近の深層学習手法で報告された誤差の範囲内か、それより小さかった。
物理損失の重みを選んだ値の 5% にしたモデルを、データのみで学習したモデルと比べた。curl 損失は 9.1% 減った。一方、RMSE と MAD の増加は、それぞれ 1.6% と 1.3% にとどまった。
これらの結果は、物理情報ニューラルオペレータが、灰白質の電場を素早く近似するための拡張可能な技術基盤になることを示唆する。この基盤は、電場に基づいてリアルタイムに TMS を誘導する手順をめぐる今後の研究を支えるものである。
掲載誌の IF 相当：5.2（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Moser P, Greifeneder F, Freinberger D, Reishofer G, Ritter P, Frank L, et al. Physics-informed neural operators for rapid electric field prediction in transcranial magnetic stimulation of healthy and tumor subjects. Sci Rep. 2026 Oct 16 [Epub ahead of print]. doi:10.1038/s41598-026-74936-z.確認の範囲：抄録のみ確認 - Machine learning uncovers previously undetectable genetic deletions in cancer panel sequencing.抄録（全訳）
遺伝子欠失を見逃すと、がん患者が有効な分子標的治療を受けられないことがある。TSO500 などの標準的な解析パイプラインは、ビンごとのリード数を平均してコピー数変異を検出する。しかし、限局性（フォーカル）の変化は見落とすことが多い。
この課題に対し、精密腫瘍学プログラム MASTERsg で、機械学習（ML）パイプラインを開発した。本パイプラインは、欠失の検出と接合性の評価を行う。対象は、がん抑制遺伝子 PTEN に絞った。PTEN が失われたがんは、mTOR/Akt 阻害に感受性を示す。
Extreme Gradient Boosting モデルを、PTEN 欠失腫瘍と野生型腫瘍の検体で学習させた。このモデルは、TSO500 パイプラインと CNVkit が見逃した限局性の欠失を見つけた。これらの欠失では、免疫組織化学染色で調べた PTEN タンパク質の消失も、一致して認められた。
重要な点として、モデルは解析した 204 検体のうち 33 検体で PTEN 欠失を検出した。これらの検体は、TSO500 では PTEN 野生型と判定されていた。染色できた症例の 75%（15/20）では、PTEN タンパク質の発現が消失または低下していた。
これらの結果から、ML でパネル検査の性能を高められる可能性が示された。機械学習は、既存の診断法では見逃される治療上重要な変化を見つけ出せる可能性がある。
掲載誌の IF 相当：8.9（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Kerle IA, Husak O, Gross T, Hartig A, Prause R, Richter D, et al. Machine learning uncovers previously undetectable genetic deletions in cancer panel sequencing. npj Precis Onc. 2026 Oct 16;10(1):397. doi:10.1038/s41698-026-01756-9.確認の範囲：抄録のみ確認
乳がんの治療・治験とAI
- 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 - 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
肺がんの治療・治験とAI
- P3.062: GCN Pathomics-Clinical Model Predicts Response to First-Line Chemoimmunotherapy in Advanced LUSC: A Multicenter Study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 - Multimodal Transformer Integrating CT and Pathology for Postoperative Risk Stratification in Stage I Non-Small Cell Lung Cancer.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
膵がんの治療・治験とAI
- MetaPaCS: A Novel Meta‐Learning Framework for Pancreatic Cancer Subtype Identification抄録（全訳）
膵がん（PaC）は、米国でがんによる死亡原因の第 3 位である。きわめて不均一な悪性腫瘍で、サブタイプの候補が多い。サブタイプごとに、固有の分子経路と治療上の特性がある。これらの情報は、その後の患者のリスク層別化や、患者に合わせた治療の設計に使える。従来はウェットラボでサブタイプを分類してきた（顕微切離、病理組織学的検討など）。しかし、手間も費用も時間もかかる。
この課題に対し、著者らは新しいメタ学習フレームワーク MetaPaCS を作った。トランスクリプトームデータから、膵がんのサブタイプを正確に判別するためのものである。手順は次のとおりである。まず前処理を行い、トランスクリプトームに基づく特徴ベクトルを得る。これを複数のベース機械学習分類器で分類する。各分類器の多様な予測出力を、前処理済みの元の特徴ベクトルと組み合わせる。これを新たなアンサンブル特徴ベクトルとし、メタ学習分類器で分類する。
一個抜き交差検証（leave-one-out cross-validation）では、MetaPaCS の性能は、最適化した個々のベース分類器より著しく高かった。MetaPaCS は、その後のリスク層別化や個別化治療の設計に有望なツールになると考えられる。
掲載誌の IF 相当：5.6（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Peterson NB, Sun M, Wu X, Wang J, Wan S. MetaPaCS: A Novel Meta‐Learning Framework for Pancreatic Cancer Subtype Identification. Advanced Intelligent Systems. 2026 Oct 15 [Epub ahead of print]. doi:10.1002/aisy.70576.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients.抄録（全訳）
前立腺がん（PCa）の治療計画を立てるには、病変の種類を正確に評価することが欠かせない。コンピュータ断層撮影（CT）や陽電子放出断層撮影（PET）/CT を撮った後、医師は病変を検出し、解剖学的な部位で分類する。この作業には多くの時間がかかる。
新しい画像解析アプリケーションの開発を後押しするため、CT 画像で前立腺がんの病変を自動分類できるかを検討した。分類先は骨転移、リンパ節転移、局所病変、その他の前立腺がん病変である。分類には機械学習（ML）モデルと深層学習モデルを使った。
532 例の前立腺がん患者の 18F-PSMA PET/CT 画像からなる非公開データセットで、計 4949 病変に種類を注釈した。データは二つある。一つは前立腺がん患者 532 例の 18F-前立腺特異的膜抗原（PSMA）PET/CT 画像で、非公開のデータセットである。外部テストセットには、公開されている 30 例の PSMA PET/CT 画像を用いた。
検出した病変の座標情報を使い、病変ごとに 15 種類の特徴量を自動で抽出した。抽出元は、CT 画像と、三次元の解剖学的自動セグメンテーションツール TotalSegmentator の結果である。これらの特徴量で従来型の ML モデルを複数学習させ、病変を解剖学的な種類で分類した。さらに、CT と TotalSegmentator の出力を入力として、次元の異なる畳み込みニューラルネットワーク（CNN）も試した。
最も精度が高かったのは XGBoost で、全体の正解率は 96.0% であった。主データの 5 分割交差検証では、骨転移、リンパ節転移、局所病変の感度はそれぞれ 97.9±1.2%、95.2±1.3%、93.1±2.8% であった。外部テストセットでは、それぞれ 96.3%、94.0%、80.0% であった。一方、局所病変の判別では、CNN は最良の ML モデルに及ばなかった。
結論として、単純な ML モデルでも、前立腺がんの病変を骨・リンパ節・局所病変に正確に分類できる。分類には、CT 画像、病変の位置、自動の解剖学的セグメンテーションのデータを用いた。ただし、これら以外の種類の病変を判別するには、さらに研究が必要である。
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：Rainio O, Vehmanen A, Li A, Jaakkola MK, Kemppainen J, Klén R. Investigation on Automatic Classification of Bone, Lymph Node, and Local Lesions in CT Images of Prostate Cancer Patients. J Digit Imaging Inform med. 2026 Oct 16 [Epub ahead of print]. doi:10.1007/s10278-026-02402-3.確認の範囲：抄録のみ確認 - Multimodal Visual Question Answering System for Survival Prognosis in PSMA-Targeted Radiopharmaceutical Therapy抄録（全訳）
大規模言語モデルは臨床意思決定支援への応用が大いに期待されている。しかし、一般に医用画像は扱えない。そこで視覚言語モデルが提案されてきた。ただし、その性能を示すエビデンスはまだ少なく、従来の機械学習と比べたデータはとくに少ない。前立腺特異的膜抗原（PSMA）を標的とする放射性医薬品療法は、転移性去勢抵抗性前立腺がん（mCRPC）の治療として確立している。しかし、どの患者が長期にわたり良好に反応するかは、まだ分かっていない。 そこで本研究は、医師の評価に着想を得た視覚質問応答（VQA）フレームワークを提案する。日常診療では、PSMA を標的とした画像と臨床データを決まった手順で統合して評価する。このフレームワークはその手順をまね、全生存期間を予測する。
方法：概念実証として、2 つの大学医療機関で多施設の後ろ向き研究を行った。対象は mCRPC 患者 110 例で、[177Lu]Lu-PSMA I&T または [177Lu]Lu-PSMA-617 で治療を受けた。VQA の手法は、3 次元画像エンコーダ、領域特化型の言語モデル RadBERT、クロスモーダル Transformer からなる。入力は、ベースラインと中間時点（2 サイクル後）の PET 画像と単一光子放射断層撮影（SPECT）画像、臨床データ、臨床上の質問である。モデルは 24 か月生存を予測するよう学習させ、性能を最先端の手法と比較した。外部検証には [177Lu]Lu-PSMA-617 のコホートを使った。
結果：VQA モデルは、すべての最先端手法を上回った。正解率は、質問を使わない注意機構型のマルチモーダル融合モデルと同程度であった。SPECT または PET 画像に前立腺特異抗原の測定値を組み合わせると、正解率は 81.8%（95% 信頼区間 0.52〜0.95）であった。外部検証では、少数ショットのファインチューニング後の正解率は 71.9%（95% 信頼区間 0.53〜0.86）であった。生存の層別化では、VQA はすべての最先端手法をさらに上回った。予測した生存分布は実際の生存分布に最も近く、有意差はなかった（ログランク検定、P = 0.76）。受信者動作特性解析では、曲線下面積が評価したモデルのなかで最も高かった（0.75）。これらの結果から、VQA の手法は PSMA リガンドが異なっても適応できると示唆された。一方、全生存期間の予後予測性能は、わずかに向上しつつも他の手法と同程度に保たれた。
結論：医師の評価の流れを取り入れた VQA フレームワークは、画像と検査データを統合する臨床判断支援で、従来の機械学習より優れた点を示した。臨床意思決定支援で画像と検査データを統合する点で、従来の機械学習より優れた点がある。これは予備的な結果である。それでも、VQA に基づく手法は今後評価する価値がある。予備的な結果から、PSMA 放射性医薬品療法を受ける mCRPC 患者の生存予後予測について、VQA に基づく手法は今後の評価に値する。
掲載誌の IF 相当：6.9（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：Kassar M, Hu J, Rauscher I, Gomes CV, Wendler T, Ziegler S, et al. Multimodal Visual Question Answering System for Survival Prognosis in PSMA-Targeted Radiopharmaceutical Therapy. J Nucl Med. 2026 Oct 15 [Epub ahead of print]. doi:10.2967/jnumed.125.271912.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
- Pathology-guided multimodal transformer predicts postoperative survival benefit from adjuvant chemotherapy in glioma: from DNA damage repair to immune characterization抄録（全訳）
はじめに：高悪性度神経膠腫（HGG）は悪性度の高い原発性脳腫瘍である。再発率が高く、予後も悪い。補助療法としてのテモゾロミド（TMZ）で得られる生存上の利益は、患者によって大きく異なる。治療の層別化に使える信頼性の高い術前バイオマーカーは、まだ少ない。本研究の目的は、HGG 患者で補助 TMZ による生存上の利益を術前に予測するモデルを作ることである。このモデルは解釈可能なマルチモーダル深層学習モデルで、全スライド病理画像とマルチパラメトリック MRI を統合する。
方法：Transformer を基盤とするマルチモーダル融合モデルを提案した。全スライド病理画像からは、弱教師ありクラスタリングで主要な腫瘍領域を特定した。そこから、注意機構に基づくマルチインスタンス学習で病理特徴を抽出した。これと並行して、マルチパラメトリック MRI の各シーケンスから腫瘍亜領域の 2.5D 特徴を得た。これらのモダリティの特徴を、Transformer エンコーダで深く融合した。モデルの開発と検証には、多施設コホート（504 例）を用いた。モデルの生物学的基盤は、トランスクリプトーム解析、遺伝子セット濃縮解析、タンパク質間相互作用ネットワーク、免疫デコンボリューションで探った。
結果：融合モデルの曲線下面積（AUC）は、訓練コホートで 0.910、内部検証コホートで 0.861、外部検証コホートで 0.833 であった。トランスクリプトーム解析では、利益の大きい患者で DNA 損傷修復の過程の関与が示唆された。DNA 修復能の亢進が TMZ への感受性に寄与している可能性がある。免疫デコンボリューションでは、利益の大きい群で M1 マクロファージの浸潤が多く、制御性 T 細胞が少なかった。この所見は、免疫抑制の弱い腫瘍微小環境と整合する。重要な点として、利益の小さい患者では、TMZ 化学療法を完遂した患者のほうが生存期間が短かった。比較の対象は、同時化学放射線療法のみ、または手術のみを受けた患者である。
結論：このモデルで、標準的な TMZ 化学療法の利益を受けにくい患者を特定できる。本モデルは、HGG において術後の個別化した治療層別化と、治療戦略の最適化に使えるツールとなる。
掲載誌の IF 相当：5.5（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：Li Z, Duan X, Lian J, Li X, Liang Q, Liu X, et al. Pathology-guided multimodal transformer predicts postoperative survival benefit from adjuvant chemotherapy in glioma: from DNA damage repair to immune characterization. Front Immunol. 2026 Oct 16;17:1845251. doi:10.3389/fimmu.2026.1845251.確認の範囲：抄録のみ確認 - Qualität und Anwendbarkeit von automatisierten Segmentierungen von Hirntumoren bei der Evaluation des Nutzens von APT- und NOE-CEST bei 3 T bei individuellen Patienten抄録（全訳）
成人型びまん性神経膠腫は、成人で最も多い悪性脳腫瘍であり、予後は非常に悪い。神経膠腫の診断と治療を最適化し個別化するには、神経放射線学的診断が欠かせない。代謝 MRI では、化学交換飽和移動（CEST）でコントラストを作る手法が有望である。この技術は、脳腫瘍とその分子的特性を調べることや、治療を評価することに使える。CEST 画像を観察・評価するには、正確にセグメンテーションした腫瘍モデルが必要である。しかし患者ごとの腫瘍セグメンテーションは時間がかかり、神経放射線の専門知識も要る。そのため、深層学習を用いた自動腫瘍セグメンテーションの重要性が大きく高まっている。
そこで本研究では、第一に、BraTS-Toolkit による自動セグメンテーションを、手作業で作成し検証済みのセグメンテーションと比べた。目的は、自動セグメンテーションの質、用途、適用可能性を評価することである。第二に、CEST 画像の信号強度レベルを、腫瘍の領域（壊死/嚢胞、造影増強域、浮腫）ごとに調べた。ここでのねらいは、APT（アミドプロトン移動）強調と NOE（核オーバーハウザー効果）強調の CEST 画像の違いを示すことである。比べた条件は、WHO グレード、イソクエン酸脱水素酵素（IDH）の変異状態、撮像時期である。この研究群で、CEST 画像が治療方針の決定に寄与しうるかを調べることが目的であった。
対象は 51 例の患者データである。内訳は、神経膠腫 36 例、腫瘍に似た病変 15 例であった。MRI は臨床用の磁場強度 3 T で撮像した。APT 強調 CEST は飽和 B1 = 2.22 µT、NOE 強調 CEST は飽和 B1 = 0.6 µT で撮像した。神経膠腫と病変は BraTS-Toolkit で自動セグメンテーションし、その後 3D Slicer で手作業により修正した。CEST 画像の信号強度レベルの評価では、3D Slicer でまずセグメンテーションを CEST の撮像範囲に合わせて切り出した。続いて、セグメンテーションを CEST のアーチファクトに合わせて調整した。さらに、対側半球の正常に見える白質に参照セグメントを置いた。追加の検討用に、融合セグメント（造影増強域＋FLAIR 高信号域）も作った。最後に、3D Slicer で信号強度値を測定した。
自動セグメンテーションの評価では、平均 Dice 係数の中央値は、治療後の患者で 0.8、腫瘍類似病変で 0.81 であった。一方、初診患者では 0.64 で、これらを下回った。神経膠腫の患者では、とくに壊死/嚢胞領域で Dice 係数の低い例が多かった（図 18）。主な原因は、自動セグメンテーションで壊死/嚢胞領域が大きく取られすぎたことである（例を図 14 に示す）。WHO グレードと診断との関係では、造影増強を伴う高グレードの星細胞腫と膠芽腫で Dice 係数が良好であった。
APT の信号強度レベルは、原則として参照セグメントより高かった（図 54）。また APT の信号強度レベルは、初診群で治療後群より高かった。IDH 野生型腫瘍では、IDH 変異型腫瘍より高い傾向があった（図 57）。治療後群では、WHO グレードが高いほど APT の信号強度レベルも高かった（図 34）。NOE の信号強度レベルは、一貫して参照セグメントより低かった（図 55）。IDH 変異型腫瘍では、NOE の信号強度レベルが野生型より低かった（図 48）。NOE の信号強度レベルについては、WHO グレードや治療状況に関する傾向を示せなかった。
結論として、自動セグメンテーションの結果は良好であった。ただし、形態的に非典型的な腫瘍では壊死/嚢胞領域のセグメンテーションに問題があった。これは、造影増強域がなく、T2 で高信号を示す腫瘍を指す。CEST 画像は、有望で興味深いコントラストを示す。とくに APT 強調画像では、治療状況と変異状態について明確な傾向がみられた。しかし、ばらつきがあるため、個々の患者の治療方針決定に使える段階にはまだない。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Qualität und Anwendbarkeit von automatisierten Segmentierungen von Hirntumoren bei der Evaluation des Nutzens von APT- und NOE-CEST bei 3 T bei individuellen Patienten. Universitätsbibliothek Tübingen. [Epub ahead of print]. doi:10.15496/publikation-125797.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
- Diagnostic accuracy of deep learning for microsatellite instability prediction in gastric cancer: A systematic review and meta-analysis抄録（全訳）
ヘマトキシリン・エオジン（H&E）染色の病理画像に深層学習（DL）を適用すると、胃がん（GC）のマイクロサテライト不安定性（MSI）を予測できる。本研究では、その診断精度と識別能を評価した。
PubMed、Embase、Cochrane Library、Web of Science を検索した。対象は、胃がんの MSI 予測のために H&E 画像に DL を適用した研究である。プロトコルは PROSPERO に前向きに登録した（CRD420261503140）。バイアスのリスクは QUADAS-2 で評価した。統合感度と統合特異度は、二変量ランダム効果モデルで推定した。検証方法別とデータソース別のサブグループ解析も行った。スライド単位の曲線下面積（AUC）は、ロジット変換したうえで統合した。事前に規定したシナリオ解析で、結果の頑健性を評価した。
10 件の研究を採用した。主解析には、そのうち 6 件の研究に含まれる独立した 7 データセットを用いた。統合感度は 0.78（95% 信頼区間 0.63〜0.88）、統合特異度は 0.85（95% 信頼区間 0.77〜0.90）であった。要約 ROC 曲線の AUC は 0.89（95% 信頼区間 0.86〜0.91）であった。副次的な AUC の統合には 9 件の研究が寄与し、統合 AUC は 0.85（95% 信頼区間 0.80〜0.89）であった。病院由来のコホートは、The Cancer Genome Atlas（TCGA）由来のコホートより感度と診断オッズ比が数値上高かった。感度は 0.86 対 0.71、診断オッズ比は 39.8 対 11.5 である。ただし、研究数が少なく異質性も大きいため、サブグループ間の差から言えることは限られる。
DL モデルは、胃がんの MSI 予測で良好な診断精度を示す。しかし臨床での有用性は、まだ確認が必要である。そのためには、標準化された多施設研究、独立した外部検証研究、前向き研究が求められる。
掲載誌の IF：不明（照合できず）書誌：Du Y, Liao H, Li J, He Y, Di J. Diagnostic accuracy of deep learning for microsatellite instability prediction in gastric cancer: A systematic review and meta-analysis. medRxiv. 2026 Oct 15 [Epub ahead of print]. doi:10.64898/2026.10.12.26365351.確認の範囲：抄録のみ確認
肝臓がんの治療・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。
腎臓がんの治療・治験とAI
- Deep learning and habitat radiomics based on contrast-enhanced CT for differentiating pathological subtypes of small renal cell carcinoma抄録（全訳）
小径腎細胞がん（sRCC）でよくみられる病理組織型を、術前に鑑別するためのモデルを 4 つ作った。深層学習モデル、腫瘍周囲ラジオミクスモデル、ハビタット・ラジオミクスモデル、従来の臨床・画像モデルである。本研究では、これらのモデルを構築し、その有用性を検討することを目的とした。
病理学的に sRCC と確定した 143 例を、後ろ向きに組み入れた。内訳は、淡明細胞型 RCC 92 例、非淡明細胞型 RCC 51 例である。患者は 7:3 の比で、訓練群（n = 101）と検証群（n = 42）に無作為に分けた。解析には皮髄相の画像を用いた。腫瘍の関心領域（ROI）は、ITK-SNAP で手作業により描出した。腫瘍周囲の ROI は、腫瘍の ROI を一律に 2 mm 拡張して作成した。腫瘍内 ROI には、局所特徴に基づく教師なし K-means クラスタリングを行い、腫瘍内の亜領域を特定した。亜領域の最適な数は、シルエット係数が最大になる値で決めた。ラジオミクス特徴は、腫瘍周囲領域と各亜領域から抽出した。
腫瘍の最大断面を取得した。続いて転移学習として、ImageNet データセットで事前学習したパラメータで ResNet18 モデルを初期化した。そのうえで、深層転移学習特徴を抽出した。特徴選択と次元削減には、最大関連・最小冗長（mRMR）アルゴリズムと LASSO（least absolute shrinkage and selection operator）法を用いた。その際、訓練群の中で交差検証を行った。独立した臨床予測因子は、単変量・多変量ロジスティック回帰分析で特定した。これらの臨床予測因子と選んだ特徴をもとに、臨床・腫瘍周囲・ハビタット・深層学習の各モデルを作った。最も性能の高いモデルに独立臨床予測因子を組み合わせ、統合モデルを作った。モデルの性能は、曲線下面積（AUC）、正確度、感度、特異度で評価した。臨床的な有用性は、決定曲線分析で評価した。
最適なクラスタ数は 3 であった。ロジスティック回帰分析で、嚢胞・壊死領域と造影増強の特徴が独立した臨床予測因子として特定された。最終的に選んだ特徴は、腫瘍周囲ラジオミクス特徴 8 個、ハビタット・ラジオミクス特徴 12 個、深層学習特徴 7 個である。
深層学習モデルの AUC は、訓練群で 0.960（95% 信頼区間 0.927〜0.993）、検証群で 0.968（95% 信頼区間 0.926〜1.000）であった。深層学習モデルの性能は、次の 3 つのモデルを上回った。
- 臨床モデル：訓練群 0.798（95% 信頼区間 0.714〜0.883）、検証群 0.794（95% 信頼区間 0.647〜0.940）
- 腫瘍周囲モデル：訓練群 0.885（95% 信頼区間 0.815〜0.955）、検証群 0.886（95% 信頼区間 0.776〜0.997）
- ハビタットモデル：訓練群 0.951（95% 信頼区間 0.904〜0.998）、検証群 0.943（95% 信頼区間 0.881〜1.000）
深層学習モデルと臨床モデルを統合した統合モデルでは、性能がさらに向上した。AUC は訓練群で 0.968（95% 信頼区間 0.939〜0.997）、検証群で 0.973（95% 信頼区間 0.934〜1.000）であった。決定曲線分析では、統合モデルの正味の利益が最も大きかった。
造影 CT に基づくラジオミクスモデルと深層学習モデルで、sRCC の組織型を非侵襲的かつ効果的に鑑別できた。ハビタット・ラジオミクスは腫瘍内の不均一性をとらえられ、良好な診断性能を示す。一方、識別能は深層学習のほうが優れている。これらの手法は、術前の意思決定を助ける可能性がある。ただし、より大規模な外部コホートでのさらなる検証が必要である。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-16 時点の値、2026-10-17 に取得。正式な IF（Clarivate）ではない）書誌：Liu Q, Wang Y, Duan B, Liu M, Ye Y, Tang Q, et al. Deep learning and habitat radiomics based on contrast-enhanced CT for differentiating pathological subtypes of small renal cell carcinoma. BMC Urol. 2026 Oct 15 [Epub ahead of print]. doi:10.1186/s12894-026-02417-6.確認の範囲：抄録のみ確認 - CT-based multimodal radiogenomic model integrating tumor and perirenal fat features for prognosis in clear cell renal cell carcinoma抄録（全訳）
淡明細胞型腎細胞がん（ccRCC）は腎細胞がんで最も多い組織型で、全体の 60%〜85% を占める。淡明細胞型腎細胞がん（ccRCC）は腎細胞がんで最も多い組織型（60〜85%）だが、TNM 分類に基づくリスク層別化は十分でなく、術後補助の分子標的療法も精度に限りがある。TNM 分類によるリスク層別化は十分でない。術後補助の分子標的療法も、効く患者を見分ける精度が低い。生存の上乗せは 5.4%〜10.5% にとどまり、過剰治療のおそれもある。腎周囲脂肪は、体積と密度を介して ccRCC の予後と関連する。ただし、腎周囲脂肪をラジオゲノミクス（腫瘍の分子的特徴）と組み合わせ、予後を総合的に評価した研究はまだ少ない。
切除可能な ccRCC 患者を対象に、後ろ向きに解析した。対象は、術前に造影 CT を撮影し、エクソームシーケンスのデータが得られた患者である。訓練コホートは西京医院（Xijing Hospital）の 226 例とした。テストコホートは公開データベース TCIA/TCGA の 134 例とした。3D Slicer と PyRadiomics を使い、CT から腫瘍と腎周囲脂肪のラジオミクス特徴量を抽出した。これをもとに、LASSO 回帰とステップワイズ法の Cox 回帰でスコアを作った。遺伝子スコアは、639 個のがん関連遺伝子（変異の多い上位 20 遺伝子）から作った。臨床スコアは TNM 病期などから作った。どちらも Cox 回帰で構築した。これらのスコアを統合し、マルチモーダルのノモグラムを作った。ノモグラムは C 指数、時間依存の曲線下面積（AUC）、SHAP 解析（各特徴量の予測への寄与をみる手法）で検証した。
ノモグラムの性能は、単一モダリティのスコアをいずれも上回った。C 指数は訓練コホートで 0.856、テストコホートで 0.859 だった。無増悪生存期間（PFS）の 1〜5 年の時間依存 AUC も、一貫して高かった。SHAP 解析では、腫瘍スコア、腎周囲脂肪スコア、TP53 変異、グレード G4 が主な寄与因子と特定された。腫瘍スコア、腎周囲脂肪スコア、TP53 変異、グレード G4 である。複数の機械学習アルゴリズムを使い、予後予測に役立つ 4 遺伝子を予測した。さらに、マルチモーダルデータの中でこれらの遺伝子の相関を解析した。サブグループ解析でも、リスク層別化が頑健であることを確認した。
分子標的療法のリスク差率が 47% 以上の患者では、治療を受けた方が PFS が長かった（ハザード比 0.545、P = 0.038）。一方、10% 未満の患者では、治療を受けない方が経過が良かった（ハザード比 2.051、P = 0.035）。高リスクのサブグループでも同様の傾向がみられた。分子標的療法に関する解析は探索的なもので、前向きの検証が必要である。
この CT ベースのマルチモーダル・ノモグラムは、ラジオミクス、ゲノム、臨床のデータを統合している。この CT ベースのマルチモーダル・ノモグラムは、ラジオミクス、ゲノム、臨床のデータを統合し、ccRCC を複数のスケールで特徴づける。術後補助の分子標的療法で生存上の利益を得られる可能性のある患者を選ぶ際の、補助的な参考になる。これにより、過剰治療と過少治療を減らせる。
掲載誌の IF 相当：3.8（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：Zhang YF, Ji YH, Wen DD, Liu C, Shi PW, Hou HZ, et al. CT-based multimodal radiogenomic model integrating tumor and perirenal fat features for prognosis in clear cell renal cell carcinoma. BMC Med Imaging. 2026 Oct 15 [Epub ahead of print]. doi:10.1186/s12880-026-02920-0.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。