AIとがん研究 ── がん一般 ── 2026-10-25
がん一般の分子生物学の進展とAI
- CNN model-based image classification for canine brain MRI abnormalities抄録（全訳）
画像診断は、人工知能（AI）アルゴリズムの臨床応用で特に有望な分野の一つである。本研究では、独自設計の畳み込みニューラルネットワーク（CNN）である SepNetDense を評価した。評価したのは、イヌ脳の磁気共鳴画像（MRI）を正常と異常に見分ける性能である。目的は、診断の効率を高め、放射線科医が異常画像を見つけやすくすることである。
データは 4 大学から集めた 550 頭のイヌの画像である。画像は T1 強調（T1w）像の造影前・造影後シーケンスで、断面は横断面・矢状断面・背断面である。臨床診断が完全に確定したイヌを組み入れた。診断の確定は、病理組織検査または現行の臨床コンセンサスに基づくものとした。
患者は無作為に、訓練用（n = 444）、検証用（n = 53）、テスト用（n = 53）に分けた。各 MRI には、スライスごとに正常か異常かのラベルを付けた。モデルの訓練には、正常 205 例の画像データ（頭蓋外の病因、特発性てんかん、発作性ジスキネジアなど）を用いた。異常の画像データは 239 例（腫瘍、炎症性病変、その他の病態など）である。
テスト用データでは、実際に正常なスライスの 74% をモデルが正常と正しく予測した。実際に異常なスライスでは、73% を異常と正しく予測した。患者単位の予測は、受信者動作特性（ROC）曲線で解析した。1 頭あたりの異常スライスの割合 51% を閾値にすると、感度と特異度のバランスが最もよかった。このときの感度は 83%（95% 信頼区間 67〜91%）、特異度は 78%（95% 信頼区間 54〜91%）であった。バランス正解率は 80%（95% 信頼区間 69〜92%）であった。
共分散分析（ANCOVA）で、CNN の分類性能は生物学的・技術的・施設的な複数の要因に左右されることが分かった。効果が有意かつ大きかったのは、病変の診断名、施設、犬種の大きさである。体重の効果は有意で、大きさは中程度であった。診断名と施設の間にも、犬種の大きさと体重の間にも、効果量の大きい有意な交互作用がみられた。また、予測カテゴリーの分布には、解剖学的な軸に沿った特徴的なパターンがみられた。どの MRI シーケンスでも、中央の四分位で CNN の性能がよい傾向があった。
全体として、CNN の支援でイヌ脳 MRI 検査をトリアージ（優先度の振り分け）できることが示された。モデル性能を左右する主な要因は、診断名・施設・犬種の大きさ・体重であった。この結果は、頑健な獣医領域の AI を開発するうえで、多様なデータセットが重要であることを示している。
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：Abani S, Laue M, Dickinson PJ, De Decker S, Gutierrez-Quintana R, Ghiasvand S, et al. CNN model-based image classification for canine brain MRI abnormalities. Sci Rep. 2026 Oct 23;16(1):33913. doi:10.1038/s41598-026-71470-w.確認の範囲：抄録のみ確認 - TLEABLCNN: Brain and Alzheimer’s Disease Detection Using Attention-Based Explainable Deep Learning and SMOTE Using Imbalanced Brain MRI抄録（全訳）
脳腫瘍とアルツハイマー病（AD）は、神経系の問題のなかでも特に重い二つである。どちらも、MRI で高い精度で診断できて初めて治療できる。本研究は不均衡な MRI データセットを対象とした。分類を改善するため、合成少数派オーバーサンプリング法（SMOTE）を用いた。
機械学習（ML）と深層学習（DL）の複数のモデルを用いた。RF（ランダムフォレスト）、SVM（サポートベクターマシン）、Voting Classifier（投票分類器）、CNN、VGG16、ResNet50、Inception V3 である。ほかに AlexNet と LSTM の組み合わせ、Xception も用いた。さらに新しいモデルとして、Transformer と LSTM で強化したアテンション型の説明可能な CNN（TLEABLCNN）を加えた。
TLEABLCNN は、一貫してベースラインのモデルを上回った。分類の正解率は、シナリオ A で 96.1%、シナリオ B で 97.4%、シナリオ C で 98.2% であった。マクロ平均の適合率、再現率、F1 スコアでも優れていた。
脳の異常の検出には、物体認識モデルの YOLOv5、YOLOv8、YOLOv9、YOLOv11 を用いた。平均適合率の平均（mAP）が最も高かったのは YOLOv9 で、91.5% であった。正解率が最も高かったのは YOLOv8 で、91.8% であった。
さらに、ヒートマップなどの説明可能な AI（XAI）の手法を用いた。ヒートマップで、モデルの予測に最も影響した MRI 画像の部位が分かった。これにより結果が分かりやすくなり、専門家の信頼も高まった。これらの結果から、この枠組みには説明可能な形で脳疾患を見つける強みがあるといえる。
掲載誌の IF 相当：0.0（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：[No authors listed]. TLEABLCNN: Brain and Alzheimer’s Disease Detection Using Attention-Based Explainable Deep Learning and SMOTE Using Imbalanced Brain MRI. IJDDT. 2026 Oct 22;16(76s). doi:10.25258/ijddt.16.76s.161.確認の範囲：抄録のみ確認 - Integrating Spatial, Spectral, and Wavelet Domains via Global–Local Attention for Robust Multi-Modal MRI Super-Resolution抄録（全訳）
超解像（SR）を使うと、臨床の神経腫瘍 MRI の空間分解能を超えて、忠実度の高い画像を得やすくなる。最先端の深層学習アルゴリズムは、この分野を前進させてきた。ただし、こうした手法は空間領域かスペクトル領域のどちらか一方だけから学習する。そのうえ、腫瘍境界が過度に平滑化されたり、病変の形状が幾何学的に不整合になったりしやすい。
本論文では Hy-DTGL を紹介する。Hy-DTGL は、グローバル・ローカル注意機構をもつハイブリッド領域 Transformer を用いた、モーダル超解像の枠組みである。Hy-DTGL は、互いに依存する四つの知識領域で、再構成を同時に学習する。四つとは、局所空間、大域空間、スペクトル、ウェーブレットである。
各要素の役割は次のとおりである。ウィンドウ型の自己注意により、病変の局所的なテクスチャを細かく学習する。プール型の大域注意により、解剖学的に妥当な画像になるよう制約をかける。フーリエ領域の学習可能な変調により、類似性ごとのスペクトルエネルギーを与える。多重スケールの離散ウェーブレット分割により、腫瘍の形態を複数のスケールで保つ。最適化には、Charbonnier 損失、勾配エッジ損失、スペクトル領域損失を組み合わせた目的関数を用いた。
訓練には BraTS 2019（BT_19）を用いた。評価には BT_19、BraTS 2020（BT_20）、BraTS 2023（BT_23）、IXI を用いた。評価は、同一領域（in-domain）と厳密なゼロショットの二つの条件で行った。採用した劣化・評価プロトコルのもとでは、×2、×4、×8 のどの SR 倍率でも、比較したベースラインと互角の性能が得られた。
BraTS 2020 の ×4 テスト解像度では、ピーク信号対雑音比（PSNR）37.46 dB、構造的類似度（SSIM）0.986 を得た。PSNR では、CNN 系の深層学習 SR（ECFNet）を 2.47 dB 上回った。Transformer 系の SR（WavTrans）も 4.05 dB 上回った。
アブレーション解析では、空間・スペクトル・多重スケールの制約によって、画像が忠実に再構成される方向へ明確に収束することが分かった。腫瘍境界の描出が回復し、全体構造の一貫性も保たれた。
下流の腫瘍セグメンテーション指標が改善したことからも、Hy-DTGL の汎化性が示された。元の低解像度画像と比べ、超解像した画像ではセグメンテーションの Dice 係数が 0.063 上がった。ハウスドルフ距離も、19.05 mm から 13.01 mm へと有意に短くなった。この結果は、下流の神経腫瘍画像解析での有用性を示唆する。
掲載誌の IF 相当：3.6（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：Hassan M, Alshdaifat N, Owida HA, Hamadneh T, Mashagba HA, Aziz ABA, et al. Integrating Spatial, Spectral, and Wavelet Domains via Global–Local Attention for Robust Multi-Modal MRI Super-Resolution. Algorithms. 2026 Oct 21;19(10):904. doi:10.3390/a19100904.確認の範囲：抄録のみ確認 - [pMHCBind: predicting major histocompatibility complex class I-peptide interactions via protein large language models and hypergraph neural networks].抄録（全訳）
主要組織適合遺伝子複合体クラス I（MHC I）分子は、抗原ペプチドを提示して CD8+ T 細胞の免疫応答を始動させる。この過程を根本で決めているのは、結合溝とペプチドの間の空間的な相互作用ネットワークである。このネットワークは、複数の残基が協調して働くことで成り立っている。この仕組みを正確にモデル化することは、腫瘍の新生抗原（ネオアンチゲン）の選別や個別化免疫療法に欠かせない。
しかし、既存の手法の多くは配列レベルのモデル化にとどまる。そのため、複数の残基にわたる高次の構造的な依存関係をとらえられない。結合界面の細かな相互作用もとらえられない。
そこで著者らは、タンパク質言語モデルとハイパーグラフニューラルネットワークを統合した予測モデル pMHCBind を開発した。まず、MHC I 分子の残基レベルの埋め込みを ESM-MSA-1b で抽出し、抗原ペプチドの埋め込みを ESM-2 で抽出する。いずれも進化の情報を反映した埋め込みである。次に、空間的な接触関係からペプチドごとのハイパーグラフを作る。そのうえで、ハイパーグラフ畳み込みにより高次の相互作用をモデル化する。最後に分子間で特徴を融合し、結合界面の相互作用パターンを表して、提示能を予測する。
評価には、NetMHCpan-4.1 のベンチマークデータセットでの 5 分割交差検証を用いた。Anthem 独立テストデータセットでのテストも行った。pMHCBind は複数の指標で、さまざまな最先端の手法を一貫して上回った。指標には、受信者動作特性曲線下面積（AUC）と適合率-再現率曲線下面積（AUPR）が含まれる。
さらに解釈可能性の解析から、結合溝とペプチドの間の主要な相互作用様式をモデルが的確に特定できることが分かった。水素結合、塩橋、疎水性相互作用などがその例である。これは、構造面での解釈可能性が高いことを示している。
まとめると、pMHCBind は精密がん免疫療法で新生抗原を認識するための計算ツールとして有望であり、生物学的にも解釈できる。
掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-24 時点の値、2026-10-25 に取得。正式な IF（Clarivate）ではない）書誌：[No authors listed]. [pMHCBind: predicting major histocompatibility complex class I-peptide interactions via protein large language models and hypergraph neural networks]. Sheng wu gong cheng xue bao = Chinese journal of biotechnology. [Epub ahead of print]. doi:10.13345/j.cjb.260422.確認の範囲：抄録のみ確認