AIとがん研究 ── 乳がん ── 2026-10-22
乳がんの治療・治験とAI
- Preoperative prediction of positive margins in breast-conserving surgery using an ensemble model based on DCE-MRI: a multi-center retrospective and prospective study.抄録（全訳）
背景：乳がん温存手術（BCS）は早期乳がんの標準治療である。しかし切除断端が陽性になると再発率が高く、再手術も必要になる。この問題は今も臨床の課題である。この研究の目的は、ダイナミック造影MRI（DCE-MRI）を用いて術前に断端陽性を予測するアンサンブルモデルを開発することである。
方法：中国の3医療機関から合計887例を対象とした。モデルの開発には雲南省の581例と福建省の51例を用いた。外部検証には広東省の188例を、前向き検証には雲南省の67例を用いた。ベースモデルは3つ作った。32特徴量による臨床モデル、ResNet-34を使う深層学習（DL）モデル、ラジオミクス特徴量によるラジオミクスモデルである。3つのベースモデルの予測を重み付き投票で統合し、アンサンブルモデルとした。正解率、AUC（曲線下面積）、感度、特異度を算出し、公開データセットで予後解析も行った。
結果：検証セットでは、アンサンブルモデルの成績が3つのベースモデルのいずれも上回った。AUC 0.931、正解率 0.872、感度 0.871、特異度 0.880であった。独立したテストコホートでも頑健性が確認され、AUCは0.762と0.861であった。モデルが高リスクと判定した患者は、無再発生存期間（RFS、HR = 8.117、p < 0.0001）も全生存期間（OS、HR = 5.748、p < 0.0001）も不良だった。この結果から、モデルの予後予測価値が裏付けられた。
結論：DCE-MRIベースのアンサンブルモデルは、BCS患者の断端陽性と予後を有効に予測し、手術の臨床判断に役立つ。 試験登録：本研究は3施設の倫理委員会の承認を受けた。承認を得たのは、雲南省がん病院（KYLX2023-134）、厦門大学附属翔安医院（XDYX202305K26）、汕頭大学医学院がん病院（2024059）である。本研究は中国臨床試験登録センター（ChiCTR）にも登録された（ChiCTR2400083298、2024年4月19日登録、https://www.chictr.org.cn/showproj.html?%20proj=207948）。
掲載誌の IF 相当：5.8（OpenAlex の直近 2 年の平均被引用数・2026-10-21 時点の値、2026-10-22 に取得。正式な IF（Clarivate）ではない）書誌：Zhao X, Bai JW, Dong LA, Li ZH, He JZ, Chen YX, et al. Preoperative prediction of positive margins in breast-conserving surgery using an ensemble model based on DCE-MRI: a multi-center retrospective and prospective study. Breast Cancer Res. 2026 Jul 25;28(1):181. doi:10.1186/s13058-026-02354-0. PMID: 42902311.確認の範囲：抄録のみ確認 - Interpretable machine learning model for brain metastasis in breast cancer: a large-scale, multi-center study.抄録（全訳）
背景：脳転移（BM）は乳がん（BC）の重篤な合併症で、予後も不良である。高リスク患者を早期に見つけることが不可欠だが、正確な予測ツールは今のところない。この研究の目的は、多様な大規模患者集団で安定したBM予測の機械学習モデルを開発することである。
方法：SEER（米国のがん登録プログラム）、National Cancer Database（米国の全国がんデータベース）、中国の多施設コホートの原発乳がん患者186,351例を対象に、後ろ向きコホート研究を行った。患者は訓練群と検証群に分けた。候補の予測因子は、人口統計、臨床病理、バイオマーカー、治療関連の変数である。治療関連には手術、化学療法、内分泌療法、術前補助療法、放射線療法が含まれる。特徴量選択にはLASSO回帰を用いた。9つの機械学習モデルを開発し、AUC（曲線下面積）と決定曲線解析で比較した。最適なモデルは、オンラインツールとして公開した。
結果：186,351例のうち2,982例（1.6%）に脳転移が生じた。ベースライン比較では、脳転移をきたした患者に進行例の特徴が多く、治療パターンも異なっていた。これは病勢がより攻撃的だったことの反映と考えられる。最終的に絞り込んだモデルに残った主な予測因子は、AJCCのN/M/T分類、年齢、手術の実施状況である。検証セットで最も高い識別力を示したのはLASSO正則化ロジスティック回帰で、AUC 0.907（95% 信頼区間 0.857〜0.958）であった。このモデルは較正、臨床的純便益、解釈性のいずれも良好であった。SHAP解析では、残った各予測因子が個々のリスク推定に寄与することが確認された。生存解析でも、BMに伴う予後不良が確認された（P < 0.001）。リアルタイムでリスクを推定できる対話型のオンラインツールも開発した。
結論：北米とアジアのコホートの患者186,000例超を用い、乳がんの脳転移を予測する正確で臨床応用しやすいモデルを開発し、内部検証した。このウェブツールは臨床医が高リスク患者を見つけるのを助け、個別の管理と患者の転帰改善につながる可能性がある。
掲載誌の IF 相当：8.3（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：Yuan Q, Sha Y, Yu R, Yu H, Ye R, Du Y, et al. Interpretable machine learning model for brain metastasis in breast cancer: a large-scale, multi-center study. J Transl Med. 2026 Jul 24;24(1):1326. doi:10.1186/s12967-026-08675-0. PMID: 42902382.確認の範囲：抄録のみ確認 - MO13-3 AI radiogenomics supports non-invasive breast cancer biomarker profiling抄録（全訳）
乳がん治療の方針には、ER（エストロゲン受容体）、PR（プロゲステロン受容体）、HER2（ヒト上皮成長因子受容体2）のバイオマーカーを正確に評価することが不可欠である。従来の生検による評価は侵襲的で、腫瘍の不均一性を捉えきれないこともある。ラジオゲノミクスは画像情報と分子情報を統合して、非侵襲的な代替手段となる。この研究では、MRIを用いたラジオゲノミクスが乳がんのER・PR・HER2状態の予測に果たす役割を検証することを目指した。
掲載誌の IF 相当：1.7（OpenAlex の直近 2 年の平均被引用数・2026-10-20 時点の値、2026-10-21 に取得。正式な IF（Clarivate）ではない）書誌：Le N, Vo T, Nguyen N, Pham T. MO13-3 AI radiogenomics supports non-invasive breast cancer biomarker profiling. Annals of Oncology. 2026 Nov;37:S293. doi:10.1016/j.annonc.2026.07.136.確認の範囲：抄録のみ確認