AIとがん研究 ── 脳腫瘍 ── 2026-10-26
脳腫瘍の治療・治験とAI
- Prognostic risk stratification in glioma based on the foundation pathology model with identification of key genes and biological pathways associated with prognosis: a multicenter study抄録（全訳）
目的：全スライド画像（WSI）から人工知能（AI）で特徴を抽出する手法は、神経膠腫の予後予測で大きく期待されている。病理の基盤モデルには可能性があるが、その特徴は生物学的に解釈しにくく、疾患の機序との明確な結び付きも乏しい。しかし、その特徴量はふつう生物学的に解釈しにくく、病態の仕組みとの結びつきもはっきりしない。そのため、臨床応用での価値が限られている。
方法：病理画像を解析するため、クラスタリングと Vision Transformer（ViT）を組み合わせた枠組みを作った。まず、各 WSI から切り出した数万枚の画像パッチを、100 のグループにクラスタリングした。次に、100 のクラスタ中心の基盤モデル特徴量と、各クラスタがスライド全体に占める割合を統合した。これを ViT モデルに入力し、予後を予測した。 画像から得たリスクスコアは、対応する RNA-seq（RNA シーケンシング）データとも統合した。発現変動解析とパスウェイ濃縮解析で、リスクに関わる遺伝子と生物学的経路を特定した。 予後予測モデルの開発と評価には、計 2552 例を用いた。内訳は次の 3 つである。学習と内部テスト用の華山医院（Huashan Hospital）559 例。外部検証コホート 1 の上海国際病院（Shanghai International Hospital）309 例。外部検証コホート 2 の TCGA（がんゲノムアトラス）1684 例。病理ゲノム解析は、WSI と RNA-seq データがそろう TCGA の 567 例で行った。その結果を CGGA（中国神経膠腫ゲノムアトラス）の 657 例でさらに検証した。
結果：予後モデルが出したリスクスコアは、患者の生存と有意に相関した（ログランク P < 0.001）。このリスクスコアを既存のリスク層別化の枠組みに組み込むと、生存予測が向上した。比較したのは、臨床情報とリスクスコアに基づくノモグラムと、従来の臨床・分子ノモグラムである。前者の C 指数は 0.90 だった。較正と分類の精度も前者が優れていた（純再分類改善度 = 0.99、P < 0.001）。 特定の遺伝子と経路は、リスクスコアと有意に関連した。これら主要遺伝子の平均発現量は、強い予後予測能を示した。主要遺伝子の平均発現量は、病理ゲノムコホートでも CGGA データセットでも高い予後予測能を示した（ログランク P < 0.001）。
結論：以上の結果から、病理画像から得たリスクスコアにより、神経膠腫の層別化に重要な主要遺伝子と生物学的経路を効果的に特定できることが示された。これらは、神経膠腫の患者を高リスク群と低リスク群に層別化するうえで重要である。したがって、この手法で特定した高リスク患者には、腫瘍免疫微小環境を調節する治療戦略が特に有益な可能性がある。
掲載誌の IF 相当：5.4（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）書誌：Pan T, Shi Z, Chen J, Yu J, Wu G. Prognostic risk stratification in glioma based on the foundation pathology model with identification of key genes and biological pathways associated with prognosis: a multicenter study. acta neuropathol commun. 2026 Oct 24 [Epub ahead of print]. doi:10.1186/s40478-026-02456-y.確認の範囲：抄録のみ確認 - Radiomics-Assisted Preoperative Subtyping of Adult-Type Diffuse Gliomas: A Retrospective Study Aligned With the WHO 2021 Classification.抄録（全訳）
背景：成人型びまん性神経膠腫（ADG）の最適な手術方針は、サブタイプによって大きく異なる。そのため、個別の手術計画を立てるには、術前に正確にサブタイプを分類することが欠かせない。本研究の目的は、ADG を術前にサブタイプ分類するラジオミクスモデルを作ることである。分類は、2021 年版の世界保健機関（WHO）中枢神経系腫瘍分類に沿って行う。
方法：ADG の患者 382 例を登録し、学習セット（n = 267）と独立テストセット（n = 115）に無作為に割り付けた。腫瘍のマスクは自動でセグメンテーションし、経験豊富な脳神経外科医が修正した。ラジオミクス特徴量は、標準化した前処理と次元削減を行った MRI から抽出した。 14 種の機械学習分類器を評価し、最も成績のよいモデルを最適化した。このモデルを独立テストセットで検証した。性能の評価には次の指標を用いた。AUC（ROC 曲線下面積）、正解率、再現率、適合率、F1 スコア、カッパ係数、マシューズ相関係数である。
結果：LASSO（Least Absolute Shrinkage and Selection Operator）回帰により、50 の主要な特徴量が残った。予備評価ではランダムフォレストの成績が最もよかったため、これを最適化の対象に選んだ。独立テストセットでは、最適化したモデルのマクロ平均 AUC は 0.9084 だった。ほかの指標でも良好な結果が得られた。予測への寄与が最も大きかったのは、テクスチャ特徴量である。
結論：このラジオミクスモデルにより、2021 年 WHO 分類に基づく成人型びまん性神経膠腫（ADG）の術前サブタイプ分類を頑健に行える。日常の MRI の特徴を用いて、個別の手術計画を支援できる可能性がある。ただし、後ろ向きの単施設研究であるため、広く臨床応用する前に多施設の前向き外部検証が必要である。臨床で広く使う前に、多施設の前向き外部検証が必要である。
掲載誌の IF 相当：6.3（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）書誌：Liang Y, Shi J, Zhao C, Liu J, Li K, Yang J, et al. Radiomics‐Assisted Preoperative Subtyping of Adult‐Type Diffuse Gliomas: A Retrospective Study Aligned With the WHO 2021 Classification. CNS Neurosci Ther. 2026 Oct 23;32(10):e71225. doi:10.1002/cns.71225. PMID: 42924459.確認の範囲：抄録のみ確認