AIとがん研究 ── 2026-10-22
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（1） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（2） · 肝臓がん（1） · 腎臓がん（0） · 膀胱がん（1）
がん一般の分子生物学の進展とAI
- Non-contrast CT radiomics for identifying nonfunctioning kidneys: a multicenter development and external validation study.抄録（全訳）
目的：泌尿器科診療では、閉塞、腫瘍、萎縮のある腎臓を切除するか温存するかは、分腎機能を見て決める。基準となる検査はシングルフォトンエミッションCT（SPECT）腎動態シンチグラフィだが、多くの資源を要する。そこで、非機能腎を識別してこの場面の意思決定を支える、単純CTラジオミクスモデルを構築し、外部検証した。
方法：3施設の後ろ向き研究（TRIPOD+AI：予測モデルの報告基準）である。対象は成人で、72時間以内に単純CTとSPECT腎動態シンチグラフィを受けていた。PyRadiomicsでIBSI（画像バイオマーカー標準化イニシアチブ）準拠のラジオミクス特徴量を抽出し、左右の腎の非対称性特徴量を構築した。Spearman相関、再帰的特徴量削除、LASSO（最小絶対縮小・選択法）の3段階選択を経て、12の機械学習モデルを構築した。独立した2つのコホートで外部検証した。Radスコアと臨床ノモグラムも作成した。
結果：対象は1029例で、内部コホートは418例だった。特徴量は23個が残った。ランダムフォレストモデルの内部テスト成績は、ROC曲線下面積（AUC）0.9426、感度85.5%、特異度88.3%、陰性的中率95.6%だった。外部検証のAUCは0.875と0.913だった。ノモグラムの外部AUCは0.920と0.881だった。訓練データで定めた閾値では、ランダムフォレストの外部感度は66.0%と76.4%、陰性的中率は94.8%と93.3%だった。ノモグラムは感度92.5%と93.7%、陰性的中率98.3%と97.2%だった。臨床変数や単純なCTのサイズ・非対称性の測定値から作ったロジスティック回帰のベースラインを、2つのラジオミクスモデルはいずれも上回った。ただし、両者を組み合わせたベースラインに対する差は、1つの外部コホートでは統計学的に有意ではなかった。Radスコアは片腎の糸球体濾過率（GFR）と相関し（ρ = -0.738、P < 0.001）、リスク層別化にも役立った。
結論：単純CTラジオミクスは、造影剤も放射性トレーサーも使わずに非機能腎を識別した。単純CTは泌尿器科の日常の精査にすでに組み込まれている。非造影CTは泌尿器科の通常検査に含まれるため、外部検証を終えたこの除外判定ツールは、不要なSPECT検査を減らし、腎摘除術とネフロン温存治療のどちらを選ぶかの判断を支える可能性がある。
掲載誌の IF 相当：1.9（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：Jiang Y, Zheng Y, Feng Z, Bao L, Wei Q. Non-contrast CT radiomics for identifying nonfunctioning kidneys: a multicenter development and external validation study. Int Urol Nephrol. 2026 Oct 20 [Epub ahead of print]. doi:10.1007/s11255-026-05451-3. PMID: 42902104.確認の範囲：抄録のみ確認 - SAFARI: A Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning in Oncology Practice抄録（全訳）
従来のラジオミクスには二つの課題がある。特徴量の設計が手作業に頼るものであり、腫瘍の種類が変わると成績が落ちやすい。本論文はSAFARI（Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning）を提案する。疾患の種類に依存しない腫瘍の特徴を学ぶ、新しい自己教師ありのラジオミクスモデルである。SAFARIはトランスフォーマー構造を基盤とする。学習戦略は2つの目的を組み合わせた。特徴量の一部を隠して再構成する学習と、腫瘍部分領域の間での対照学習である。訓練データは6大がん種（肺、肝、大腸、腎、膵、大腸がん肝転移）の1,086例である。学習には、6種の主要がんの1,086例から得た27,144の腫瘍部分領域について、1,218個のラジオミクス特徴量を用いた。762例の独立データセットでの転移学習実験では、固定したSAFARIの埋め込み表現が、対応する従来のラジオミクスのベースラインを複数の下流タスクで上回った。成績の差が大きかったのは次の3つである。胆嚢がんのHER2ステータス予測では、ROC曲線下面積（AUC）が0.758 対 0.610だった。非小細胞肺がん（NSCLC）の組織型判定では、正解率が71.3% 対 62.1%だった。EGFR変異ステータス予測では、AUCが0.805 対 0.690だった。本論文は、単一の事前学習済みモデルが、大半の評価項目で対応するタスク特化型ベースラインを上回ることを示した。単一の事前学習モデルが大半の評価項目でタスク別のベースラインを上回ったことから、SAFARIはがんのラジオミクス解析に、より頑健な新しい枠組みをもたらす。
掲載誌の IF 相当：3.2（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：Gupta P, Bose K, Dutta N, Mudgil P, Arora C. SAFARI: A Self-supervised Tumor-Agnostic Framework for Radiomics Representation Learning in Oncology Practice. ACM Trans Comput Healthcare. 2026 Oct 19 [Epub ahead of print]. doi:10.1145/3859479.確認の範囲：抄録のみ確認
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
肺がんの治療・治験とAI
- Integrative transcriptomic and machine-learning analysis of the STAT1–GOLM1 axis in lung adenocarcinoma and small-molecule inhibitor discovery抄録（全訳）
腫瘍の浸潤と遠隔転移は、肺腺がん（LUAD）で治療がうまくいかない主な原因である。その分子メカニズムを解明することが、LUADの精密治療には欠かせない。バルクRNAシークエンスと一細胞トランスクリプトームのデータに複数の機械学習手法を組み合わせ、LUADの予後不良に関わる中核遺伝子としてGOLM1を見つけた。GOLM1は悪性上皮細胞で高発現していた。この細胞では、細胞外基質（ECM）-インテグリンシグナル、糖鎖修飾（グリコシル化）の再構成、浸潤に関連する転写プログラムが増強していた。機構の検証では、STAT1がGOLM1の上流で転写を活性化する因子であることが分かった。STAT1とGOLM1はSTAT1-GOLM1軸を形成し、LUADの浸潤を引き起こす。STAT1を標的とする分子ドッキング計算で候補化合物の順位を付け、A549細胞で評価した。実験の結果、化合物1がPI3K/AKTシグナル、細胞周期、アポトーシスを調節してLUAD細胞を最も強く阻害することが分かった。以上の結果は、STAT1-GOLM1軸がLUADで重要な役割を持つことを示した。以上の結果から、AIが導いた有望なLUAD阻害剤候補も得られた。
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：Yang Q, Zeng Y, Ba L, Zhu Z, Bie Y, Zhao N, et al. Integrative transcriptomic and machine-learning analysis of the STAT1–GOLM1 axis in lung adenocarcinoma and small-molecule inhibitor discovery. npj Precis Onc. 2026 Oct 20 [Epub ahead of print]. doi:10.1038/s41698-026-01735-0.確認の範囲：抄録のみ確認 - MO27-6 Prediction of EGFR mutations in non-small cell lung cancer: a patholomics random forest approach抄録（全訳）
上皮成長因子受容体（EGFR）変異は、非小細胞肺がん（NSCLC）の分子標的治療の選択を導く上で重要である。しかし現在の診断法は分子検査への依存度が高い。そこで本研究は、新たなパソロミクス手法を提案する。ヘマトキシリン・エオジン（H&E）染色の組織病理画像特徴と機械学習を用いて、EGFR変異の有無を予測する。
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：Cheung E, Li A, Mok F, Kwong V, Cheung A, Tsang E, et al. MO27-6 Prediction of EGFR mutations in non-small cell lung cancer: a patholomics random forest approach. Annals of Oncology. 2026 Nov;37:S299. doi:10.1016/j.annonc.2026.07.158.確認の範囲：抄録のみ確認
膵がんの治療・治験とAI
- Machine learning models integrating 2D and 3D intratumoral heterogeneity features from multi-sequence MRI: accurate prediction of perineural invasion in pancreatic ductal adenocarcinoma抄録（全訳）
背景：神経周囲浸潤（PNI）は膵管がん（PDAC）の大半に認められ、局所再発・神経障害性疼痛・予後不良と強く関連する。しかし、術前にPNIを特定できる信頼性の高い方法はまだない。そこで本研究では、多シーケンスMRIによる腫瘍内不均一性（ITH）スコアリングを機械学習と統合した枠組みを開発し、外部検証した。目的はPDACのPNIの非侵襲的予測である。
方法：4施設で外科的に切除された205例の術前MRI（T2強調像、拡散強調像、造影T1強調像）を用いた。内訳は訓練100例、内部テスト43例、外部検証28例と34例である。K-meansクラスタリングによる部分領域分割から、二次元・三次元のITH特徴量を抽出した。独立の臨床予測因子（腫瘍の位置、臨床T分類）を組み込み、複合予測モデルを構築した。機械学習アルゴリズム11種を系統的に評価した。
結果：臨床＋ITH複合モデルの曲線下面積（AUC）は、内部テストセットで0.907、2つの外部検証コホートで0.860と0.869だった。対応するAUCは、ITHモデルが0.881、0.860、0.850、臨床ロジスティック回帰モデルが0.758、0.342、0.700であった。 考察：SHAP解析では、複合モデル出力への寄与が最も大きかったのはT2強調像（T2WI）由来の3特徴量だった。特徴量の効果は向きがまちまちで、一様に単調な関係にはなかった。以上の結果は、多シーケンスMRIに基づくITH定量が、術前のPNI評価に用いうる解釈可能な手法であることを示している。2つの外部手術コホートのいずれでも判別力は一貫していた。この手法は、膵がんの手術計画や補助療法の選択の指針となりうる。
掲載誌の IF 相当：6.1（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：Ouyang Z, Song Z, Li Z, Cui S, Liu X, Shen W, et al. Machine learning models integrating 2D and 3D intratumoral heterogeneity features from multi-sequence MRI: accurate prediction of perineural invasion in pancreatic ductal adenocarcinoma. Front Artif Intell. 2026 Oct 20;9:1975752. doi:10.3389/frai.2026.1975752.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- Preoperative apical margin risk estimation from T2-weighted MRI radiomics in prostate cancer with MRI-visible apical tumors: toward multidisciplinary decision support.抄録（全訳）
この後ろ向き研究では、T2強調像（T2WI）に基づくラジオミクスモデルを開発・検証した。対象は前立腺がんに対して根治的前立腺全摘除術を受ける患者で、頂部の陽性切除断端（PSM）を術前に予測することを目指した。対象は計235例（頂部PSMあり74例、なし161例）で、訓練セット164例（69.8%）と独立テストセット71例（30.2%）に無作為に分けた。適格基準は、手術前6週間以内に多パラメトリックMRIを撮影していること、前立腺尖部に及ぶか接する指標病変があること、尖部断端の status が確定していること、神経温存なしの標準的な根治的前立腺全摘除術を受けたことである。尖部の評価やROIの設定に不十分な画像の例、経尿道的前立腺切除術の既往例、術前アンドロゲン遮断療法を受けた例は除外した。T2WIから計1409個のラジオミクス特徴量を抽出した。正規化と高相関特徴量（|r| > 0.99）の除去の後、再帰的特徴量除去法により最適な6特徴量を選択した。勾配ブースティングマシンモデルを構築し、ROC曲線下面積（AUC）、Brierスコア、決定曲線解析で性能を評価した。頂部PSM率は31.5%だった。テストセットでは、AUC 0.874、Brierスコア0.120、正確度87.3%、感度81.8%、特異度89.8%だった。最も重要な特徴量は歪度で、モデルへの寄与率は34.8%だった。尖部PSMは前立腺外進展と有意に関連し（P = 0.001）、腫瘍断端モデルで正味の臨床的利益が最も大きかった。T2WIに基づくラジオミクスは、前立腺がんにおける個別化した術前リスク評価と手術計画の立案を支援しうる。
掲載誌の IF 相当：2.8（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：Liu Y, Zhao YZ, Liu S, Gao XS, Ma MW. Preoperative apical margin risk estimation from T2-weighted MRI radiomics in prostate cancer with MRI-visible apical tumors: toward multidisciplinary decision support. Asian J Androl. 2026 Oct 20 [Epub ahead of print]. doi:10.4103/aja202625. PMID: 42902531.確認の範囲：抄録のみ確認 - TexTNet: a texture-guided hierarchical architecture for prostate cancer Gleason segmentation in whole slide images抄録（全訳）
前立腺がんは男性に最も多い悪性腫瘍の一つである。Gleasonグレードの正確な領域分割は、診断と治療計画の立案に不可欠である。ところが既存の深層学習手法は、畳み込みニューラルネットワーク（CNN）とTransformerの相補的な特徴量の融合をうまく扱えないことが多い。多くは連結や加算といった単純な手法で特徴を融合している。このやり方ではテクスチャと大域的文脈の長所を生かしきれず、分割性能が限られる。そこで本研究は、新規のテクスチャガイド型階層アーキテクチャTexTNetを提案する。局所二値パターン（LBP）の特徴量をSwin Transformerのクエリ射影に組み込み、テクスチャガイド注意機構を作った。これにより腺の縁や核の集簇などテクスチャに富む領域にTransformerの注意が向き、分割精度が上がる。特徴融合の強化には、境界のぼやけを抑えるDual Path Squeeze-Fusion-Excitation（DP-SFE）モジュールを用いた。効率的な特徴量抽出のため、非対称畳み込みブロック（ACB）も導入した。さらにCDFAは、デコーダでの特徴融合の際に、位置を正確に再構成し、ノイズを抑える。SICAPv2、PANDA、ProstateX、HuBMAPの各データセットでTexTNetを評価した。前立腺がんの領域分割では、既存の最先端手法を上回る性能を示した。TexTNetは臨床意思決定支援ツールとして有望である。複雑な実世界の組織病理画像で頑健な性能を示し、前立腺がんのグレード判定の信頼性向上につながる可能性がある。
掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）書誌：Arshad M, Chengliang W, Wajeeh Us Sima M, Shaikh JA, Alkhalaf S, Alturise F. TexTNet: a texture-guided hierarchical architecture for prostate cancer Gleason segmentation in whole slide images. Front Med. 2026 Oct 19;13:1815031. doi:10.3389/fmed.2026.1815031.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 Machine Learning to Differentiate True Progression from Pseudoprogression in Glioblastoma: An Updated Systematic Review and Meta-Analysis.抄録（全訳）
背景：膠芽腫（グリオブラストーマ）の化学放射線療法後に、真の進行（TP）と仮性進行（PsP）を区別するのは臨床でまだ難しい。本レビューは、MRI（磁気共鳴画像法）を用いた機械学習モデルの外部検証済み診断成績を調べ、研究の質と報告の透明性も評価した。
方法：PubMed、Embase、MEDLINE、Cochrane Libraryを2025年10月1日まで検索した（PROSPERO登録番号 CRD420251144894）。対象は成人膠芽腫の研究で、MRIによる機械学習でTPとPsPを区別し、組織病理や臨床放射線学的な経過観察を基準に評価したものである。主要メタアナリシスでは、2×2データを取り出せる外部テストコホートを対象とした。内部テストの解析や、内部と外部を合わせた解析は副次的なものとした。診断精度は双変量ランダム効果モデルで統合した。
結果：画像評価を受けた患者2,344例を含む31研究が組み入れられた。患者観察219件を含む外部テストコホート7件が主要メタアナリシスに入った。統合感度は0.78（95% 信頼区間 0.63〜0.88）、特異度は0.75（95% 信頼区間 0.63〜0.84）、ROC曲線下面積（AUC）の統合値は0.81（ブートストラップ95% 信頼区間 0.69〜0.91）だった。内部テストコホートは外部コホートより見かけの成績が高かったが（AUC 0.91対0.81）、差は統計的に有意ではなかった（差 -0.09、95% 信頼区間 -0.22〜0.02、P = 0.12）。バイアスリスクは高または不明と判定されることが多く、報告の透明性はまちまちだった。
結論：MRI機械学習は、TPとPsPの判別で外部検証により中程度から良好な成績を示した。ただし外部テストコホートの小ささ、バイアス、不完全な報告が証拠の限界となる。日常診療への導入には、透明性のある大規模な多施設検証がさらに必要である。膠芽腫の化学放射線療法後にMRIで新たな異常や悪化が現れても、真の腫瘍進行の場合も仮性進行の場合もある。本レビューは、真の進行と仮性進行を区別する機械学習研究を、外部施設でテストされたモデルを重視して評価した。外部検証の診断成績は中程度から良好だったが、テストコホートの小ささ、基準の不統一、不完全な報告が制約となった。これらのモデルを日常診療で使うには、大規模な多施設研究がさらに必要である。こうした研究は、WHO 2021年の分子定義、標準化された診断基準、完全な報告を用いて実施する必要がある。
掲載誌の IF 相当：1.2（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：Zhang X, Guo X, Wang Y, Wagstyl K, Booth TC. MRI-Based Machine Learning to Differentiate True Progression from Pseudoprogression in Glioblastoma: An Updated Systematic Review and Meta-Analysis. Neuro-Oncology. 2026 Oct 19 [Epub ahead of print]. doi:10.1093/neuonc/noag259.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
- Supporting data for “Multi-cohort machine learning and experimental validation identify THY1 as an extracellular matrix remodeling-associated biomarker in gastric cancer”抄録（全訳）
本データセットは、「多コホート機械学習と実験的検証により胃がんの細胞外マトリックスリモデリング関連バイオマーカーとしてTHY1を特定した」と題する研究の補足データと解析素材である。公開物は次の4点である。(1) 図7・図8の実験解析の基になった数値データ、(2) 補足表S1〜S7、(3) トリミング前のウエスタンブロット画像、(4) 公共データセットの前処理、機械学習解析、統計解析、可視化に使った解析コード。研究で解析した公共トランスクリプトームデータセットはGEO、TCGA-STAD、TISCH2から取得した。GEOデータセットのGSE118916、GSE54129、GSE63089、GSE65801は訓練／発見コホートに用いた。GSE146996、GSE51575、GSE66229は外部検証に用いた。TCGA-STADは生存および臨床病理学的解析に、GSE134520とGSE167297は単細胞トランスクリプトームでの位置づけに使った。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Supporting data for “Multi-cohort machine learning and experimental validation identify THY1 as an extracellular matrix remodeling-associated biomarker in gastric cancer”. Figshare. [Epub ahead of print]. doi:10.6084/m9.figshare.34715742.確認の範囲：抄録のみ確認 - MO40-5 PREDICT-GC/ShortOS: machine learning and regression models for predicting very short survival in advanced gastric cancer抄録（全訳）
マハーラート・ナコーンラーチャシーマー病院では、進行胃がん（AGC）患者の全生存期間（OS）は非常に短く、通常わずか2〜3か月である。急速な体力低下で治療を中断する患者も多い。OSが90日未満になるリスク患者を早く特定できれば、タイムリーな介入と患者に合わせた治療戦略につながる。
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：Thanestada J, Sihaban K. MO40-5 PREDICT-GC/ShortOS: machine learning and regression models for predicting very short survival in advanced gastric cancer. Annals of Oncology. 2026 Nov;37:S307. doi:10.1016/j.annonc.2026.07.186.確認の範囲：抄録のみ確認
肝臓がんの治療・治験とAI
- Machine learning-based CT radiomics for identifying high risk esophageal varices of bleeding in hepatocellular carcinoma抄録（全訳）
食道静脈瘤（EV）出血は肝細胞がん（HCC）患者の致死的な合併症である。現在のリスク層別化は、侵襲的な内視鏡検査や肝硬変を反映する全身の代理指標に頼っている。本研究は、食道静脈瘤（EV）に特化したCTラジオミクスで機械学習モデルを開発し、肝細胞がん（HCC）患者の内視鏡基準による高リスク食道静脈瘤を特定することを目的とした。
HCC患者151例を登録し、訓練コホート（n = 101、高リスク75例、2017年1月〜2022年12月）と独立した時間的検証コホート（n = 50、高リスク29例、2023年1月〜2024年12月）に分けた。エンドポイントは内視鏡的スティグマ（活動性出血、または高リスク所見を伴う静脈瘤）とした。ラジオミクス特徴量は、内視鏡検査前6か月以内に撮影した造影CT画像から抽出した。モデル性能はROC曲線下面積（AUC）、Brierスコア、較正曲線、決定曲線解析（DCA）で評価した。
訓練コホートでは、LASSO（最小絶対縮小選択演算子）で構築した静脈瘤特異的ラジオミクスシグネチャが優れた判別力を示した（交差検証AUC 0.956、95% 信頼区間 0.872〜1.000）。時間的検証コホートでもモデルは高い汎化性能を保ち、AUCは0.926（95% 信頼区間 0.846〜0.984）、感度は93.1%、特異度は71.4%だった。Brierスコアは0.1186で、較正も良好だった（切片 = -0.157、傾き = 1.354）。表面積対体積比（SVR）とNGTDMの粗さ（Coarseness）は、利用可能なラジオミクス特徴量である。静脈瘤に特異的なラジオミクスモデルは、HCC患者のEV出血について、高感度で数学的に安定した非侵襲的リスク層別化を可能にする。
掲載誌の IF 相当：2.6（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：Li PC, Ma CY, Chang SA, Chen CC. Machine learning-based CT radiomics for identifying high risk esophageal varices of bleeding in hepatocellular carcinoma. Abdom Radiol (NY). 2026 Oct 20 [Epub ahead of print]. doi:10.1007/s00261-026-05808-3. PMID: 42900382.確認の範囲：抄録のみ確認
腎臓がんの治療・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。
膀胱がんの治療・治験とAI
- Validation of a Computational Histology Artificial Intelligence–based Biomarker for BCG Treatment in Non–muscle-invasive Bladder Cancer in the ANZUP 1301 Randomized Phase 3 Trial抄録（全訳）
ハイリスクの筋層非浸潤膀胱がん（NMIBC）には、膀胱内投与の Bacillus Calmette-Guérin（BCG）が標準的な補助療法として用いられる。ただし治療成績にはばらつきがあり、5年時点で最大40%の患者に高悪性度再発（HGR）が起こる。BCGは世界的な供給不足が続いており、治療に耐えられない患者もいる。さらに代替療法が登場したため、治療方針を導く新規バイオマーカーへのニーズが一段と強まっている[1]。
掲載誌の IF 相当：1.5（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：[No authors listed]. Validation of a Computational Histology Artificial Intelligence–based Biomarker for BCG Treatment in Non–muscle-invasive Bladder Cancer in the ANZUP 1301 Randomized Phase 3 Trial. European Urology. [Epub ahead of print]. doi:10.1016/j.eururo.2026.10.004.確認の範囲：抄録のみ確認