AIとがん研究 ── 肺がん ── 2026-10-25
肺がんの治療・治験とAI
- Prognostic prediction of pulmonary neuroendocrine carcinoma using a transformer-based artificial intelligence model: a two-center retrospective cohort study抄録（全訳）
背景：肺神経内分泌がん（pNEC）はまれな悪性腫瘍の一群で、性質の幅が広い。低悪性度のカルチノイドから、高悪性度の小細胞肺がん（SCLC）や大細胞神経内分泌がん（LCNEC）までを含む。これらの腫瘍の予後を予測する手段は少ない。外部コホートで検証されたものもほとんどない。
目的：pNEC の予後を予測する Transformer ベースのモデルを開発し、独立した外部コホートで検証することを目指した。生存の推定を改善し、個別の治療判断を支えることを目的とする。
方法：2 施設の後ろ向きコホート研究である。対象は、手術で切除した pNEC 患者 823 例（2001〜2023 年）とした。モデルは施設 1 のデータ（n=374）で開発した。Center 1 の 374 例は、無作為に 8:2 で訓練セットと内部テストセットに分けた。外部検証には、独立した施設 2 のコホート（n=449）を用いた。 比べたアルゴリズムは 3 つである。比較したのは、ロジスティック回帰（LR）、決定木（DT）、Transformer ベースの表形式基盤モデル TabPFN の 3 手法である。全生存期間（OS）と無病生存期間（DFS）を、1 年・3 年・5 年の各時点で推定した。評価には、受信者操作特性（ROC）解析、較正解析、決定曲線解析を用いた。解釈のため、SHapley Additive exPlanations（SHAP）解析も行った。
結果：TabPFN は、両テストセットのほとんどの課題で曲線下面積（AUC）が最も高かった。ただし、課題によっては例外があった。 内部テストセットでは、1 年 OS はロジスティック回帰が最もよかった（AUC 0.885）。残りの課題では TabPFN が最もよかった。内部テストでは、残りの課題で TabPFN が最良だった（3 年 OS 0.880、DFS 全体 0.810、1 年 DFS 0.892 など）。 外部テストでも、1 年・3 年 OS と、DFS 全体・1 年 DFS・3 年 DFS で TabPFN が最良だった（0.747〜0.802）。一方、5 年の OS と DFS はロジスティック回帰が最もよかった。外部データでの較正は、あまり良好ではなかった。 予後を予測する主な因子は、病期、病理組織亜型、年齢であった。TabPFN は低悪性度の亜型でより正確だった。SHAP 解析で各特徴量の寄与を数値で示し、モデルを解釈できるようにした。 結論従来法に対する利点は、課題ごとに異なった。独立した別施設のコホートでも、モデルが適用できることが確かめられた。広く臨床で使う前に、多施設での前向き検証と較正の改善が必要である。
掲載誌の IF 相当：2.7（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：Liu L, Liang L, Wang D, Zhang J, Zhao K, Guo C, et al. Prognostic prediction of pulmonary neuroendocrine carcinoma using a transformer-based artificial intelligence model: a two-center retrospective cohort study. Front Oncol. 2026 Oct 23;16:1948262. doi:10.3389/fonc.2026.1948262.確認の範囲：抄録のみ確認 - A DualDrop-Gated Transformer model for predicting bone metastasis in Asian patients with non-small cell lung cancer: a real-world study with external validation抄録（全訳）
背景：骨転移は非小細胞肺がん（NSCLC）によくみられ、臨床上重要な合併症である。骨転移は、生存の不良とも関連している。陽電子放出断層撮影・コンピュータ断層撮影（PET-CT）を使えば、骨格全体を評価できる。しかし費用と被曝のため、日常的には使いにくいことがある。 日常的に得られる臨床情報と胸部 CT 関連の情報に基づく手軽な方法が、役立つ可能性がある。それにより、骨転移リスクが高く、追加の骨画像検査が有益な患者を見つけやすくなる可能性がある。本研究の目的は、NSCLC 患者の骨転移を予測する有効なモデルを開発することである。
方法：訓練セットには、Surveillance, Epidemiology, and End Results（SEER）データベース（2000〜2021 年）のアジア人 NSCLC 患者 17,646 例を用いた。検証には、上海胸科医院の NSCLC 患者 308 例（2022〜2023 年）からなる独立した外部コホートを用いた。 変数の選択には、単変量・多変量のロジスティック回帰（LR）解析と共線性の解析を用いた。新しい DualDrop-Gated Transformer（DGT）モデルを開発した。新たに作った DualDrop-Gated Transformer（DGT）モデルを、LR、extreme gradient boosting（XGBoost）、LightGBM、TabTransformer、FTTransformer と比べた。性能は、受信者動作特性（ROC）曲線、較正曲線、決定曲線で評価した。
結果：DGT モデルの曲線下面積（AUC）は、訓練セットで 0.947、内部テストセットで 0.936 であった。外部検証コホートでは AUC が 0.879 で、感度（0.856）と特異度（0.934）の釣り合いもとれていた。ほかのモデルよりも有意に優れていた（P < 0.01）。 アブレーション実験では、ゲート機構とドロップアウトがモデルの性能に大きく寄与していた。DGT モデルに基づくノモグラムも作成した。このノモグラムの較正は妥当であった。決定曲線解析（DCA）では、臨床での有用性が良好であった。
結論：NSCLC 患者の骨転移を予測する新しい DGT モデルを開発し、検証した。このモデルは 6 つの予測因子を使う。このモデルは、汎化性と解釈性の高い深層学習の枠組みに基づく。肺がん患者の早期スクリーニング、意思決定、個別化した管理に応用できる可能性がある。
掲載誌の IF 相当：1.9（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Wang X, Yu H, Shen Y, Qian Q, Gao X, Xie Z, et al. A DualDrop-Gated Transformer model for predicting bone metastasis in Asian patients with non-small cell lung cancer: a real-world study with external validation. Quant Imaging Med Surg. 2026 Nov;16(11):863-3. doi:10.21037/qims-2026-0574.確認の範囲：抄録のみ確認 - Application of an interpretable artificial neural network for 3-year local recurrence prediction in lung cancer patients treated with stereotactic body radiation therapy抄録（全訳）
背景：肺がん患者で、体幹部定位放射線治療（SBRT）後の局所再発（LR）を正確に予測するのはまだ難しい。本研究の目的は、SBRT 後 3 年の LR を予測するモデルを、人工ニューラルネットワーク（ANN）で開発することである。 材料と方法 SBRT で治療した肺腫瘍 127 病変を後ろ向きに解析した。赤池情報量規準を用いた多変量ロジスティック回帰で予測因子を選び、モデル 1 を作った。モデル 2 は、モデル 1 に 2 項目を追加して作った。追加したのは、計画標的体積に対する最大生物学的実効線量（BEDPTV max）と組織型である。 どちらのモデルも ANN で構築し、ブートストラップ法で内部検証した。識別能、較正、臨床的有用性は、受信者動作特性（ROC）解析、較正プロット、決定曲線解析で評価した。同じデータセットを使い、ANN モデルの予測性能を従来のロジスティック回帰と比較した。3 つの放射線生物学的モデルとも、同じデータセットで比較した。
結果：モデル 2 の識別能は、モデル 1 より有意に高かった（P < 0.05）。AUC はモデル 2 が 0.892（95% 信頼区間 0.838〜0.944）、モデル 1 が 0.791（95% 信頼区間 0.712〜0.856）であった。 どちらの ANN モデルでも、予測した確率と観測された確率はおおむね一致した。臨床的に意味のある閾値確率の範囲で、正味の利益（net benefit）も得られた。モデル 2 の AUC は、従来のロジスティック回帰と 3 つの放射線生物学的モデルよりも高かった。 結論ANN ベースのモデルの性能は、従来のロジスティック回帰と放射線生物学的モデルを上回った。独立したコホートでの外部検証が必要である。
掲載誌の IF 相当：9.5（OpenAlex の直近 2 年の平均被引用数・2026-10-18 時点の値、2026-10-19 に取得。正式な IF（Clarivate）ではない）書誌：Huang BT, Wang SY, Lin PX, Luo LM, Wang Y, Chen JZ, et al. Application of an interpretable artificial neural network for 3-year local recurrence prediction in lung cancer patients treated with stereotactic body radiation therapy. Heliyon. 2026 Nov;12(16):e45582. doi:10.1016/j.heliyon.2026.e45582.確認の範囲：抄録のみ確認 - AI-Generated Treatment Recommendations in Newly Diagnosed Lung Cancer: A Single-Center Feasibility Study in a Resource-Limited Setting抄録（全訳）
背景：この点は、特に資源が限られた環境で、まだよく分かっていない。資源の限られた環境では特にそうである。
方法：単施設の実現可能性研究である。対象は、ルーマニアの腫瘍科で治療を受けた、新たに肺がんと診断された連続 27 例（2024 年 6 月〜2026 年 5 月）である。4 つの LLM（ChatGPT、Claude、Gemini、Grok）が、これらの症例の治療推奨を作った。いずれの LLM にも、2026 年 6 月に一般利用者向けのインターフェースからアクセスした。 各モデルの出力と実際に行った治療を、同じ書式にそろえた（推奨は計 135 件）。提示の順序は無作為とした。出どころを知らされていない評価者が、適切さを 1〜5 点で採点し、3 つの品質フラグも付けた。評価者間の信頼性をみるため、独立した 2 人目の評価者がすべての推奨を採点し直した。スコアは Friedman 検定で比べた。
結果：適切さの平均点は、実際の判断が最も高かった（4.52）。次いで ChatGPT（4.48）、Claude（4.44）、Grok（4.41）、Gemini（4.37）の順であった。有意な差はなかった（Friedman χ²₄ = 1.99、P = 0.74）。3 点未満の推奨はなかった。 評価者間の一致は、そのままの値では高かった（1 点以内の一致が 93.3%）。ただし偶然の一致を補正すると、評価者間の一致はまずまず（fair）の水準にとどまった（重み付き κ = 0.26）。これは天井効果によるものである。
結論：AI が作った推奨の評価は、実際の判断と同程度であった。この評価方法は、資源の限られた環境でも実施できた。ただし症例数が少なく天井効果もあるため、同等であるとは主張できない。本研究の結果は、仮説を生み出す段階のものである。
掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-10-10 時点の値、2026-10-11 に取得。正式な IF（Clarivate）ではない）書誌：Popescu A, Jidveian-Popescu M, Mahler B, Olteanu R, Clem E. AI-Generated Treatment Recommendations in Newly Diagnosed Lung Cancer: A Single-Center Feasibility Study in a Resource-Limited Setting. Curr Oncol. 2026 Oct 21;33(10):640. doi:10.3390/curroncol33100640.確認の範囲：抄録のみ確認