AIとがん研究 ── 肝臓がん ── 2026-10-26
肝臓がんの治療・治験とAI
- MRI-Based Radiomics Predicts FAP Expression and Immunosuppressive Tumor Microenvironment in Hepatocellular Carcinoma.抄録（全訳）
目的：肝細胞がん（HCC）における線維芽細胞活性化タンパク質（FAP）の発現を非侵襲的に予測するモデルを開発する。モデルは、磁気共鳴画像（MRI）のラジオミクスと臨床情報を組み合わせたものである。あわせて、腫瘍微小環境（TME）の特徴や、免疫療法への反応の見込みとの関連を探った。
患者と方法：この後ろ向き研究には、河北医科大学第四医院の HCC 患者 104 例を含めた。対象には、The Cancer Imaging Archive（TCIA）の外部 MRI 31 例と、The Cancer Genome Atlas（TCGA）のトランスクリプトームデータ 363 例も含めた。FAP の発現は免疫組織化学（IHC）で評価した。腫瘍領域は手作業で区切り、PyRadiomics でラジオミクス特徴を抽出した。FAP 発現を予測するモデルは、複数の機械学習分類器で作り、検証した。採用したのはロジスティック回帰である。5 つの機械学習アルゴリズムの中で、訓練・検証コホート間の曲線下面積（AUC）の差が最も小さく、性能が釣り合っていたためである。さらに、radscore と臨床指標を統合し、ラジオミクス・臨床統合モデルを開発した。ラジオゲノミクス解析では、radscore に関連するトランスクリプトームの特徴と免疫細胞浸潤の特徴を調べた。
結果：検証コホートでの AUC は、腫瘍内モデルで 0.757、腫瘍周囲モデルで 0.502、腫瘍内＋腫瘍周囲モデルで 0.784 だった。腫瘍内＋腫瘍周囲モデルは感度 0.692、特異度 0.788 で、3 モデルのうち全体の識別性能が最もよかった。統合モデルには、全身免疫炎症指数（SII）、予後栄養指数（PNI）、radscore を組み込んだ。このモデルの検証コホートでの AUC は 0.816 だった。radscore 関連のトランスクリプトームモジュールから、リスク層別化に使うハブ遺伝子 10 個を特定した。高リスク群の患者では、TME の免疫抑制がより顕著だった。高リスク群では、免疫療法から得られると予測される利益も小さかった。
結論：MRI のラジオミクス・臨床モデルで、HCC の FAP 発現を有効に予測できた。radscore は、FAP に関連した免疫抑制性の TME リモデリングを反映していた。免疫療法への反応の見込みで患者を層別化する手がかりになる可能性がある。ただし、免疫療法を受けた独立したコホートでのさらなる検証が必要である。
掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-02 時点の値、2026-10-03 に取得。正式な IF（Clarivate）ではない）書誌：Gao R, Han G, Wang Q, Zhang M, Yin F. MRI-Based Radiomics Predicts FAP Expression and Immunosuppressive Tumor Microenvironment in Hepatocellular Carcinoma. J Hepatocell Carcinoma. 2026 Oct;Volume 13:1-18. doi:10.2147/jhc.s641948. PMID: 42924263.確認の範囲：抄録のみ確認 - Integrating Magnetic Resonance Imaging-Based Deep Learning and Radiomics to Predict Treatment Response in Hepatocellular Carcinoma Receiving Combined Systemic and Locoregional Therapies: A Multicenter Study.抄録（全訳）
背景：全身療法と局所療法の併用で、肝細胞がん（HCC）の治療成績は改善した。しかし、反応を確実に予測する手段がないため、併用療法に適した患者を選ぶことはまだ難しい。
方法：この後ろ向き多施設研究では、中国の 9 施設で HCC 患者 334 例を登録した。いずれも一次治療として局所療法と全身療法の併用を受けた患者である。治療前の造影 MRI で、まず nnU-Net により腫瘍を自動で区切った。セグメンテーション後、あらかじめ定めたラジオミクス特徴を計算処理で抽出した。深層学習特徴は、ResNet 畳み込みニューラルネットワークで得た。腫瘍反応の予測モデルとして、ラジオミクス、深層学習、統合の 3 種類を作成した。開発と検証には、訓練コホート（n = 213）、内部検証コホート（IVC、n = 53）、外部検証コホート（EVC、n = 68）を用いた。性能は、受信者動作特性曲線下面積（AUC）と純再分類改善度（NRI）で評価した。モデルと無増悪生存期間（PFS）および全生存期間（OS）との関連も評価した。
結果：3 つのモデル（マルチシーケンスのラジオミクス、マルチシーケンスの深層学習、統合）のうち、統合モデルの予測性能が最もよかった。訓練コホートでの AUC は 0.997（95% 信頼区間 0.994〜1.000）だった。検証コホートでは、IVC で AUC 0.900（95% 信頼区間 0.806〜0.994）、EVC で 0.871（95% 信頼区間 0.790〜0.951）だった。統合モデルの予測性能は、マルチシーケンスのラジオミクスモデルと比べて有意に向上していた（訓練 NRI = 43.9%、P P = 0.038；EVC NRI = 3.2%、P = 0.806）。マルチシーケンスの深層学習モデルと比べても、予測性能は有意に向上していた（訓練 NRI = 80.8%、IVC NRI = 72.7%、EVC NRI = 50.4%、いずれも P < 0.05）。具体的には、統合モデルは PFS と OS のいずれとも有意に関連していた。
結論：本研究の対象は、全身療法と局所療法の併用を受けた切除不能 HCC 患者である。この集団で、ラジオミクス・深層学習統合モデルは、客観的奏効の予測と生存成績の層別化の両方で、単一モダリティの 2 モデルを上回った。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-24 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）書誌：Wang LN, Zhou SQ, Li F, Wu LF, Xu L, Wang K, et al. Integrating Magnetic Resonance Imaging-Based Deep Learning and Radiomics to Predict Treatment Response in Hepatocellular Carcinoma Receiving Combined Systemic and Locoregional Therapies: A Multicenter Study. Liver Cancer. 2026 Sep 7 [Epub ahead of print]. doi:10.1159/lic/admag009. PMID: 42924067.確認の範囲：抄録のみ確認