AIとがん研究 ── 乳がん ── 2026-10-25
乳がんの治療・治験とAI
- Preoperative prediction of breast cancer tumor-infiltrating lymphocytes levels with multiphase tumoral–peritumoral DCE-MRI radiomics and conventional features抄録（全訳）
腫瘍浸潤リンパ球（TIL）は、乳がんの免疫微小環境を示すバイオマーカーである。腫瘍浸潤リンパ球（TIL）は乳がんの免疫微小環境のバイオマーカーで、治療効果や予後と関連する。ただし、評価は主に手術標本の病理組織検査に頼っている。本研究の目的は、TIL 量を術前に予測するモデルを作り、その性能を検証することである。多時相のダイナミック造影 MRI（DCE-MRI）による腫瘍と腫瘍周囲のラジオミクスに従来の特徴量を加え、TIL レベルを術前に予測するモデルを作成し、検証した。2 施設の後ろ向き研究で、術前に乳房 DCE-MRI を撮り、初回治療として手術を受けた 495 例を対象とした。全例が術前に乳房 DCE-MRI を受け、初回治療として手術を受けた。TIL は手術標本で評価し、あらかじめ決めた 10% のカットオフ値で分けた。この値は、乳房 MRI を用いた過去の TIL 研究で広く使われている。ラジオミクス特徴量は、DCE-MRI の 6 時相それぞれで、腫瘍と腫瘍周囲 3 mm の領域から抽出した。これに臨床情報、MRI の画像所見（semantic features）、生検から得た特徴量を組み合わせた。モデルの性能は、識別能、較正、上乗せの価値、臨床的有用性で評価した。各特徴量の寄与は SHAP（Shapley additive explanations）解析で調べた。統合モデルの受信者動作特性曲線下面積（AUC）は、訓練セットで 0.882（95% 信頼区間 0.840〜0.920）だった。内部検証セットでは 0.777（95% 信頼区間 0.672〜0.866）、外部検証セットでは 0.738（95% 信頼区間 0.637〜0.826）だった。外部検証では、統合モデルの識別能は従来モデルより有意に改善した（統合識別改善度［IDI］= 0.105、P = 0.005）。腫瘍・腫瘍周囲モデルと比べても、有意に改善した（IDI = 0.098、P = 0.001）。決定曲線解析では、評価した閾値確率の大半で統合モデルの正味の利益が大きかった。SHAP 解析では、後期相の腫瘍周囲ラジオミクス特徴量が TIL 推定の主な予測因子だった。多時相の腫瘍・腫瘍周囲 DCE-MRI ラジオミクスを従来の術前特徴量と組み合わせると、TIL 量を予測できる可能性が示された。予測性能を主に担っていたのは、後期相の腫瘍周囲特徴量である。このモデルは、術前に使えるツールとして有望である。免疫に関わるリスク層別化や、患者ごとの集学的治療計画に役立つ。
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：Yang W, Chen M, Cui Y, Xu W, Tian W, Jiang Y, et al. Preoperative prediction of breast cancer tumor-infiltrating lymphocytes levels with multiphase tumoral–peritumoral DCE-MRI radiomics and conventional features. BMC Med Imaging. 2026 Oct 23 [Epub ahead of print]. doi:10.1186/s12880-026-02930-y.確認の範囲：抄録のみ確認 - Diagnostic accuracy of ultrasound-based imaging modalities for assessing residual axillary lymph node disease after neoadjuvant chemotherapy in patients with breast cancer: a systematic review and meta-analysis抄録（全訳）
背景：術前化学療法（NAC）後に残る腋窩リンパ節（ALN）病変を正確に見分けることは、治療計画に欠かせない。手術の縮小を検討するうえでも、この見分けは必要である。本研究では、NAC 後の腋窩の再病期診断について、4 種類の方法の診断性能を評価した。従来の超音波検査（US）、シアウェーブエラストグラフィ（SWE）、人工知能（AI）／ラジオミクス、超音波ベースの複合モデルについて、NAC 後の腋窩再病期診断での診断性能を評価した。
方法：PubMed、Embase、Cochrane Library、Web of Science を、各データベースの開始時から 2025 年 12 月まで検索した。参照基準は腋窩手術後の病理組織診断とした。陽性の対象状態は、全研究で腋窩リンパ節病変の遺残（ypN+）と統一して定義した。各研究の 2×2 表も、この向きにそろえた。バイアスのリスクと適用可能性は、診断精度研究の質評価ツール QUADAS-2 で評価した。独立した研究が十分にあるモダリティ群には、二変量ランダム効果モデルと階層的要約 ROC（HSROC）曲線を用いた。あわせて、階層的要約受信者動作特性（HSROC）曲線も用いた。陽性尤度比（PLR）と陰性尤度比（NLR）は、ランダム効果モデルで統合した。コホートが重複している可能性は、感度分析で調べた。研究計画書は PROSPERO（International Prospective Register of Systematic Reviews、登録番号 CRD420251271199）に登録した。
結果：システマティックレビューには計 14 論文を含めた。系統的レビューには 14 論文を含め、うち 10 論文の 12 の検査単位のデータセットを量的統合に用いた。従来の US（6 研究）では、統合感度が 0.55（95% 信頼区間 0.36〜0.73）、統合特異度が 0.79（95% 信頼区間 0.73〜0.84）だった。HSROC 曲線下面積（AUC）は 0.78 だった。統合 PLR は 2.47（95% 信頼区間 1.42〜4.28）、統合 NLR は 0.54（95% 信頼区間 0.30〜0.95）だった。AI／ラジオミクスモデル（3 研究）では、統合感度が 0.93（95% 信頼区間 0.80〜0.98）、特異度が 0.82（95% 信頼区間 0.60〜0.94）、AUC が 0.94 だった。ただし、尤度比の信頼区間は広かった。二変量モデルの共分散の推定値も境界値に達した。SWE のエビデンスは、重複の可能性がある 2 報に限られた。複数モダリティの複合モデルで、向きをそろえた 2×2 表が完全にそろっていたのは 1 件だけだった。検査前確率を 40% とした場合、従来の US が陰性なら、遺残リンパ節病変の検査後確率は約 26% に下がった。
結論：従来の US だけでは、NAC 後に腋窩リンパ節病変が残っていないとは確実に言えない。AI／ラジオミクスは有望な診断性能を示した。しかし、その根拠は少なく、研究間のばらつきが大きく、推定の精度も低い。現時点のデータでは、モダリティの順位は確定できない。現時点のデータでは、画像検査だけを根拠に腋窩手術を省くことも支持されない。前向きの多施設外部検証が必要である。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Liu T, He Y, Yuan X, Wang J, Liu Y, Cao C, et al. Diagnostic accuracy of ultrasound-based imaging modalities for assessing residual axillary lymph node disease after neoadjuvant chemotherapy in patients with breast cancer: a systematic review and meta-analysis. Quant Imaging Med Surg. 2026 Nov;16(11):868-8. doi:10.21037/qims-2026-1427.確認の範囲：抄録のみ確認 - Impact of Volumetric Representation on Deep Learning-Based Molecular Subtype Prediction from 3D Digital Breast Tomosynthesis抄録（全訳）
背景／目的: 乳がんの治療方針を決めるには、分子サブタイプを正確に把握することが欠かせない。しかし、現在は侵襲的な生検に頼っている。生検では、腫瘍の不均一性や周囲の微小環境を十分にとらえられない。本研究では、3 次元（3D）のデジタル乳房トモシンセシス（DBT）のボリューム画像から、深層学習で乳がんの分子サブタイプを直接予測できるかを調べた。あわせて、ボリュームの標準化の方法の違いが分類性能にどう影響するかも評価した。
方法：多施設の OPTIMAM データベースを用い、3D ResNet-18 を訓練した。課題は 2 つである。1 つは 5 クラスの分子サブタイプ分類で、対象は Luminal A、Luminal B1、Luminal B2、HER2-enriched、トリプルネガティブ乳がん（TNBC）である。もう 1 つは 1 対他（one-vs-rest）の 2 値分類である。ボリューム表現の影響をみるため、補間による再サンプリングやゼロパディングなど、複数の標準化の方法を比べた。さらに、勾配加重クラス活性化マッピング（Grad-CAM）で、モデルの予測に寄与した画像領域を調べた。
結果：分類性能は、ボリュームの標準化の方法によって異なった。評価した方法のうち、反復ホールドアウト評価で最も安定した性能を示したのは中央パディングだった。多クラス分類の平均の受信者動作特性曲線下面積（AUC）は 64.07% で、TNBC では 70.39% に達した。2 値分類では、HER2-enriched 腫瘍の AUC が最も高かった（76.02%）。また Grad-CAM 解析では、モデルの活性化がしばしば病変を越え、周囲の組織にまで及んでいた。
結論：ボリューム DBT と 3D 深層学習を組み合わせれば、乳がんの分子サブタイプを非侵襲的に予測できることが示された。ボリュームの標準化が分類性能に影響することも示された。腫瘍内と腫瘍周囲の両方の画像情報がサブタイプの判別に寄与していることも示唆された。ただし、未知の患者への汎化性はまだ確立していない。
掲載誌の IF 相当：5.4（OpenAlex の直近 2 年の平均被引用数・2026-10-23 時点の値、2026-10-24 に取得。正式な IF（Clarivate）ではない）書誌：Tavares R, Carrasquinha E, Mota AM. Impact of Volumetric Representation on Deep Learning-Based Molecular Subtype Prediction from 3D Digital Breast Tomosynthesis. Biomedicines. 2026 Oct 22;14(11):2411. doi:10.3390/biomedicines14112411.確認の範囲：抄録のみ確認 - Machine learning-based quantitative pathology reveals intratumoral heterogeneity in ductal carcinoma in situ and predicts invasive upstaging.抄録（全訳）
本研究の目的は 2 つある。非浸潤性乳管がん（DCIS）を客観的に悪性度分類する機械学習の枠組みを作ることと、腫瘍内不均一性が予測バイオマーカーになるかを調べることである。悪性度分類の枠組みは、267 例の DCIS 切除標本で開発した。検証には 2 つの外部テストセット（n=116、n=69）を用いた。単一細胞悪性度モデルは、核の大きさと多形性の定量的な指標を用いて、核を 1 個ずつ分類した。統合悪性度モデルは、単一細胞の特徴量と構造の特徴量を、サポートベクターマシン分類器で組み合わせた。これとは別に、浸潤予測モデルを作った。中・高悪性度の DCIS 288 例で訓練し、54 例で検証した。予測の対象は、1 mm を超える浸潤がんへのアップステージである。低悪性度の核と比べ、高悪性度の核は有意に大きく、向きのそろい方も低かった。これらの結果は、定量的に測った腫瘍内不均一性が、生物学的に意味のある特徴であることを示す。この特徴は、境界例で診断があいまいになる理由を説明できる可能性がある。境界例で診断が割れる理由を説明しうるほか、広範な浸潤を伴うアップステージの予測にも役立つ可能性がある。
掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-23 時点の値、2026-10-24 に取得。正式な IF（Clarivate）ではない）書誌：Yang L, Chen J, Lei C, Yang M, Cai P, Fu J, et al. Machine learning-based quantitative pathology reveals intratumoral heterogeneity in ductal carcinoma in situ and predicts invasive upstaging. Am J Cancer Res. 2026;16(9):4102-14. doi:10.62347/szjy1956. PMID: 42908734.確認の範囲：抄録のみ確認