AIとがん研究 ── 乳がん ── 2026-10-26

対象誌と選び方は索引の頁に

乳がんの治療・治験とAI

• 乳がん死亡の予測に向けた、較正した静的スタッキング・アンサンブルの枠組み
  Calibrated Stacking Ensemble Framework for High-Fidelity Breast Cancer Mortality Prediction
  Archives of Breast Cancer · 2026-10-23 · 証拠の段階: 後ろ向きの観察（既存コホートデータでの予測モデル開発と外部検証）
  抄録（全訳）

  背景：乳がんの死亡を正確に予測するには、深刻なクラス不均衡と、感度と特異度のトレードオフという制約があり、後者は臨床で偽陽性を増やしやすい。クラスの著しい不均衡と、感度と特異度のトレードオフである。このトレードオフのため、臨床では偽陽性率が高くなりやすい。この限界に対処するため、厳密に較正した静的スタッキング・アンサンブル（Static Stacking Ensemble）の枠組みを提案する。

  方法：モデルは METABRIC コホート（N=1816）で開発し、層別 5 分割交差検証を使った。SEER データセット（N=4024）は、独立した外部検証用に取り分けた。 モデルは、3 種類のベース学習器の予測を組み合わせる。この構造は、交差検証で学習に使わなかった分割に対する予測（out-of-fold、OOF）を組み合わせる。その予測を出すベース学習器は、深層ニューラルネットワーク、XGBoost、ランダムフォレストである。 判定閾値には、標準的な固定値（既定値 τ=0.5）の代わりに、Youden の J 統計量に基づくデータ駆動型の閾値を用いた。

  結果：ベースラインのモデルには重要な限界があった。ベースラインのモデルには重大な限界があり、深層学習単体の特異度は 0.1997、進化的アンサンブルでは重みの崩壊が起きた。 最適化した判定閾値（τ=0.7378）で、提案モデルは感度と特異度のバランスがとれていた。独立コホートでの評価では、特異度 0.6996、感度 0.7298、正解率 0.7212、F1 スコア 0.7894 だった。 ROC 曲線下面積（ROC-AUC）は 0.6925 だった。適合率-再現率曲線下面積（PR-AUC）は 0.8914、Brier スコアは 0.1563 だった。

  結論：OOF 予測のスタッキングと最適化した判定閾値を組み合わせると、較正された臨床意思決定支援システム（CDSS）が得られる。この枠組みは、予後の誤警報を最小限に抑える。この枠組みは、予後予測の誤警報を最小限に抑え、異質なコホートでも高リスク患者を頑健に層別化する。単独のベースラインの構造を大きく上回った。

  掲載誌の IF 相当：0.5（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：Abdollahi J, Gardaneh M. Calibrated Stacking Ensemble Framework for High-Fidelity Breast Cancer Mortality Prediction. Arch Breast Cancer. 2026 Oct 23;13(4):474-85. doi:10.32768/abc.7294618352-074.
  確認の範囲：抄録のみ確認
• 乳がんの診断・治療・周術期管理における人工知能：現在の応用と今後の展望（システマティックレビュー）
  Artificial Intelligence in Breast Cancer Diagnosis, Treatment, and Perioperative Management: A Systematic Review of Current Applications and Future Perspectives.
  La Clinica terapeutica · · 証拠の段階: システマティックレビュー（一次研究 17 件）
  抄録（全訳）

  背景：乳がんは、世界の女性で最も多く診断される悪性腫瘍である。2022 年の新規症例は約 230 万例、死亡は 666,103 人だった。 機械学習、深層学習、ラジオミクス、自然言語処理などの人工知能（AI）技術は、乳がん診療の全過程で広く使われている。しかし、患者単位または画像単位のデータを持つ一次研究に限って、すべての臨床領域のエビデンスを同時に統合したシステマティックレビューはなかった。

  目的：乳がんの AI 一次研究について、性能、方法論の質、臨床での意義を評価する。対象領域は、スクリーニング・診断画像、デジタル病理、ラジオミクス、周術期管理、予後予測、自然言語処理である。

  方法：PubMed/MEDLINE、Scopus、Web of Science、Embase、Cochrane Library を検索した。期間は 2015 年 1 月から 2026 年 5 月までである。 適格とするのは、患者単位または画像単位のデータを報告した独自の一次研究に限った。二次的な統合研究は明示的に除外した。バイアスのリスクは QUADAS-2 と PROBAST で評価した。報告は PRISMA 2020 ガイドラインに従った。

  結果：特定した 5,275 件の記録のうち、適格基準を満たした一次研究は 17 件だった。 スクリーニング・マンモグラフィ（7 研究、n = 7,540〜144,231 検査）では、深層学習の受信者動作特性曲線下面積（AUC）は 0.876〜0.939 だった。女性 80,033 人を対象とした無作為化試験では、二重読影に対する非劣性が示された。放射線科医の作業量は 44.3% 減った。 デジタル病理（5 研究、全スライド画像 270〜44,732 枚）では、深層学習の AUC は 0.985〜0.994 だった。リンパ節転移の検出では、深層学習が、支援なしの病理医の成績を上回った。 MRI ラジオミクスは、HER2 陽性乳がんの病理学的完全奏効を AUC 0.80 で予測した。 乳がんに特化した周術期の一次研究で、適格基準を満たしたものはなかった。 乳がんコホートでの一致指数（C-index）は、深層生存ネットワークで 0.626、Cox 回帰で 0.612 だった。 自然言語処理により、乳がんの臨床記録から転移再発を感度 83%、特異度 73% で同定できた。 バイアスのリスクは、画像研究と病理研究では低〜中等度で、小規模なラジオミクス研究では高かった。乳腺濃度で層別した性能を報告した画像研究は 2 件にとどまった。ヘマトキシリン・エオジン染色からの受容体状態の予測は、免疫組織化学に代わる安全な方法としては検証されていなかった。

  結論：適格な一次研究があった 5 つの領域で、人工知能は臨床的に意味のある性能を示した。 乳がんに特化した周術期・集中治療の一次研究はなく、これが最大のエビデンスの空白である。外部検証、人口統計の多様性、前向きな臨床導入の根拠は、引き続き最も一貫して指摘された限界だった。 免疫組織化学を使わずに分子受容体の状態を予測する方法には、厳密な前向きの安全性検証が必要である。この検証を経てはじめて、標準検査を補う手段になりうる。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）
  書誌：[No authors listed]. Artificial Intelligence in Breast Cancer Diagnosis, Treatment, and Perioperative Management: A Systematic Review of Current Applications and Future Perspectives. Clin Ter. [Epub ahead of print]. doi:10.7417/CT.2026.2172. PMID: 42922241.
  確認の範囲：抄録のみ確認

← この号の目次へ