AIとがん研究 ── 2026-10-26
がんと AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「13 のテーマのどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。
がん種別に読む: がん一般（2） · 乳がん（2） · 肺がん（1） · 膵がん（0） · 前立腺がん（1） · 腺様嚢胞癌（0） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（1） · 肝臓がん（2） · 腎臓がん（0） · 膀胱がん（1）
がん一般の分子生物学の進展とAI
- scGlycoAI: Machine learning analysis of single-cell glycan and RNA sequencing data for cell-type annotation and malignancy-associated glycan discovery.抄録（全訳）
単一細胞糖鎖・RNA シーケンス（scGR-seq）を使うと、細胞ごとの糖鎖の違い（不均一性）を調べられる。本研究では scGlycoAI を作った。scGlycoAI は、scGR-seq データを統合して糖鎖を軸にした生物学的発見を進める、解釈可能な機械学習の枠組みである。
入力にはレクチン結合プロファイルを使う。階層的な機械学習により、複雑な腫瘍微小環境の中で細胞型とそのサブタイプを正確に分類する。
膵管腺がん（PDAC）のデータセットに適用した。糖鎖の特徴量だけを用い、患者を 1 人ずつ除いて検証する方法（leave-one-patient-out）で評価した。8 クラス分類の全体の正解率は 90.3% だった。
糖鎖シグネチャーは、トランスクリプトームのプロファイルより次元が低い。糖鎖シグネチャーは、トランスクリプトームより次元が低いにもかかわらず、頑健な細胞型の注釈に十分だった。糖鎖シグネチャーが細胞型に固有の分子シグネチャーであることも示された。
特徴量の重要度を解析した結果、PVL レクチンの結合が、悪性度の高いがんの状態を特徴づける重要な特徴量だと分かった。PVL の結合は、シアル酸が付いた糖鎖か GlcNAc を含む糖鎖、またはその両方の認識を反映する。
さらに、ニューラルネットワークのモデルに SHAP による解釈を組み合わせて解析した。PVL の結合が高いことは、以下の転写プログラムと関連していた。上皮間葉転換、KRAS シグナル伝達、細胞外マトリックスのリモデリング、炎症反応に関わるプログラムである。
TCGA の膵腺がんコホートでは、PVL 関連の遺伝子シグネチャーの発現が高いことは、全生存期間が短いことと関連していた。
以上の結果は、糖鎖に基づく機械学習が細胞を正確に分類できることを示唆する。糖鎖に基づく機械学習で、細胞を正確に分類できる。同時に、悪性に関わる糖鎖の状態について、単一細胞の解像度で生物学的な知見が得られることも示唆される。この枠組みは、糖鎖を軸にしたバイオマーカーの探索と、糖鎖を標的とする治療法の開発の基盤になる。
掲載誌の IF 相当：2.3（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：Anh DXT, Tateno H. scGlycoAI: Machine learning analysis of single-cell glycan and RNA sequencing data for cell-type annotation and malignancy-associated glycan discovery. Glycobiology. 2026 Oct 24 [Epub ahead of print]. doi:10.1093/glycob/cwag100. PMID: 42925266.確認の範囲：抄録のみ確認 - Distribution matching based personalized federated learning for multi-center, cross-modal liver image registration.抄録（全訳）
臨床の肝臓 MRI では、拡散強調画像（DWI）とダイナミック造影（DCE）画像がよく使われる。特に肝腫瘍の診断と評価で使われ、2 つは互いを補うシーケンスである。2 つを正確に位置合わせ（レジストレーション）できれば、その後の定量解析や、複数のモダリティの画像を使った評価がしやすくなる。
画像の位置合わせでは、深層学習が目覚ましく進歩した。それでも、マルチパラメトリックな肝臓画像では大きな課題が残っている。主な理由は次の 4 つである。コントラストの差が大きいこと、呼吸による動きが目立つこと、単一施設の学習データが限られること、施設間でデータが不均一なことである。
本研究では、多施設のデータセットを対象に、肝臓の DWI と DCE の間で位置合わせを行う枠組みを提案した。
まず、マルチタスクの SynReg で画像合成と位置合わせを一体化し、モダリティ間の見た目の差を減らして変形位置合わせを助ける。SynReg は、画像合成と位置合わせを一つの構造にまとめたものである。これにより、モダリティ間の見え方の違いを小さくし、変形を伴う位置合わせをしやすくする。
施設間の不均一性の下での個別化学習を改善するため、SynReg を基盤に個別化分散型分布マッチング（PDDM）を提案した。PDDM は SynReg を基盤（バックボーン）とする。
PDDM は、互換性のある外部の訓練症例を見つけ、クライアントごとに協調関係を構築して、互換性を考慮した選択的な協調を行う。具体的には、外部の学習症例のうち互換性のあるものを見つけ、クライアント（参加施設）ごとに協調関係を組む。互換性の指標には、軽量な信号雑音比（SNR）の分布を使う。合成の部分は各クライアントの手元に残す。互換性の指標には SNR の分布を使い、合成部分は各施設に残し、位置合わせネットワークだけを互換性のあるクライアント間で集約する。
評価には、5 つの医療施設で集めた 6 つのデータセットを使った。データは 3 社の MRI 装置で、低 b 値と高 b 値の両方の条件で撮像した。
PDDM の位置合わせ性能は、単一施設での学習より一貫して良好だった。PDDM は、単一施設での学習や代表的な個別化連合学習より一貫して良い位置合わせ性能を示し、データを集約する集中学習にもほぼ並んだ。データを一か所に集めて学習する方法と比べると、ほぼ互角だった。
PDDM を、ほかのマッチング戦略とも比較した。PDDM は、施設・b 値の条件・位置合わせの評価指標のどれでも、全体として最も一貫して良好な性能を示した。
以上の結果は、互換性を考慮した選択的な協調が、個別化した多施設の肝臓画像位置合わせに有効な戦略であることを支持する。コードは https://github.com/ZIC-skyzrc/PDDM-SynReg で公開予定である。コードは https://github.com/ZIC-skyzrc/PDDM-SynReg で公開される予定である。
掲載誌の IF 相当：12.5（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：Zheng R, Yu H, Wu X, Xia X, Li R, Wang Q, et al. Distribution matching based personalized federated learning for multi-center, cross-modal liver image registration. Medical Image Analysis. 2027 Feb;116:104365. doi:10.1016/j.media.2026.104365.確認の範囲：抄録のみ確認
乳がんの治療・治験とAI
- Calibrated Stacking Ensemble Framework for High-Fidelity Breast Cancer Mortality Prediction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 - Artificial Intelligence in Breast Cancer Diagnosis, Treatment, and Perioperative Management: A Systematic Review of Current Applications and Future Perspectives.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
肺がんの治療・治験とAI
- SCLC-SBT: a spectral-bilinear transformer for small cell lung cancer histopathology image classification抄録（全訳）
小細胞肺がん（SCLC）は、胸部の悪性腫瘍のなかでも特に致死率が高い。治療方針を決めるには、病理組織を早く正確に分類することが欠かせない。SCLC の核は、クロマチンが濃く塩胡椒状に見える点や、核が密に押し合う点など、高周波のテクスチャ特徴を示す。濃く染まったごま塩状のクロマチンや、密な核圧排（nuclear moulding）などである。既存の深層学習の手法は、この核の特徴と、組織構築にみられる長距離の空間依存性を同時に捉えにくく、分類の信頼性が限られる。そのため、分類の信頼性に限界がある。
この課題に対して、本研究は SCLC-SBT を提案する。SCLC の病理組織画像を自動で分類する、階層型のスペクトル・双線形トランスフォーマーである。SCLC-SBT は SCLC の病理組織画像を自動分類する階層型の Spectral-Bilinear Transformer であり、最初の 3 段には再パラメータ化できる Hybrid-Conv Block（HCB）を置く。HCB は周波数領域のスペクトル・チャネル注意機構（SCA）を備え、細かな多重スケールの局所特徴を抽出する。最も深い段では、新たに考案した Dual-Branch Conv Linear Integration Transformer（DBCLIT）を使い、双線形の選択的状態空間モデルによって局所の形態と長距離依存性をあわせて捉える。DBCLIT は双線形の選択的状態空間モデルで、局所の形態と長距離依存性をあわせてモデル化する。
評価には、正常組織と SCLC 組織のパッチ計 1,974 枚からなる 2 クラス分類のベンチマークを用いた。SCLC-SBT の正解率は 0.9697（95% 信頼区間 0.9495〜0.9865）、F1 スコアは 0.9728、AUC（ROC 曲線下面積）は 0.9971 だった。比較したモデルは DeiT、MLP-Mixer、DaViT、CAFormer など 11 種である。報告した 7 指標のうち 5 指標で、SCLC-SBT の点推定値が最も高かった。
ブートストラップ法による信頼区間と、対ごとの McNemar 検定を行った。その結果、この優位性は 11 のベースラインのうち 5 つに対して統計的に有意と示された。残る最も強い 6 つのベースラインとの差は、有意でなかった。有意差がなかった 6 つの比較対象は、DeiT、MLP-Mixer、CAFormer、Swin-T と、同順位の PoolFormer および DaViT である。有意差の判定は、297 枚のテストセットで有意水準 α = 0.05 として行った。
このため SCLC-SBT の精度は、既存モデルと同等からそれ以上と解釈するのが妥当である。精度と計算効率の兼ね合いは大幅に優れている。パラメータ数は約 17 M、計算量は 7.0 G FLOPs（浮動小数点演算量）で、モデルの効率も競争力を保っている。今回の結果から、スペクトル領域でのチャネル再調整と双線形の状態空間モデルの組み合わせが有効だと示された。スペクトル領域のチャネル再調整と双線形の状態空間モデルを組み合わせることは、SCLC の病理組織の特徴学習に有効な帰納バイアスとなる。
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：Liang S, Liang Y, Zheng Q, Yang J. SCLC-SBT: a spectral-bilinear transformer for small cell lung cancer histopathology image classification. Sci Rep. 2026 Oct 24 [Epub ahead of print]. doi:10.1038/s41598-026-76898-8.確認の範囲：抄録のみ確認
膵がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
前立腺がんの治療・治験とAI
- Prospective Clinical Evidence on Artificial Intelligence-Enabled Augmented and Mixed Reality in Robot-Assisted Prostate and Kidney Cancer Surgery: A Systematic Review.抄録（全訳）
ロボット支援根治的前立腺全摘除術とロボット支援腎部分切除術では、術中のデジタルガイダンスの導入が進んでいる。術中デジタルガイダンスの目的は、機能面の成績を保ちながら、がん治療としての精度を高めることである。ただし、裏付けとなる臨床エビデンスはまだ少なく、研究間のばらつきも大きい。
本システマティックレビューは、PRISMA 2020（システマティックレビューとメタアナリシスの優先報告項目）ガイドラインに沿って行った。PROSPERO には事前に登録した（CRD420261400733）。PubMed、Ovid Embase、Cochrane Library を検索し、2025 年 1 月 1 日〜2026 年 5 月 20 日に出版された英語の研究を探した。
対象は前向き研究とし、次の条件をすべて満たすものとした。対象は、原発性の泌尿器がんに対してロボット支援根治的前立腺全摘除術またはロボット支援腎部分切除術を受ける成人を含む前向き研究とした。評価対象は、術中の拡張現実、複合現実、人工知能（AI）支援の病理診断、およびこれらに関連する画像ガイド技術とした。患者単位の臨床または診断のエンドポイントを 1 つ以上もつ研究を適格とした。研究間の異質性が大きいため、結果は叙述的に統合した。バイアスのリスクは、研究デザインごとの評価ツールで評価した。
スクリーニングした記録 131 件のうち、93 件を題と抄録の段階で除外した。重複を除いたあと、22 件の報告について全文で適格性を評価した。このうち 16 件を全文評価の段階で除外し、6 件の研究を叙述的統合に含めた。
根治的前立腺全摘除術では、3D の AI 拡張現実ガイダンスと、AI で強化した誘導ラマン組織病理に有望な兆しがみられた。有望な兆しがみられたのは、外科的切除断端の制御、補助療法、尿禁制、術中の断端評価である。腎部分切除術では、複合現実で温阻血時間とクランプ戦略が改善した。腎部分切除術では、3D 画像ガイド手術により、中期のがん学的成績と機能的成績が許容できる水準で得られた。
全体として、前向きのエビデンスからは、術中デジタルガイダンスがロボット泌尿器手術の一部の成績を改善しうることが示唆される。ロボットによる泌尿器手術で、術中のデジタルガイダンスは一部のアウトカムを改善しうる。改善しうるのは、がん学的・機能的・技術的・診断的アウトカムのうち、一部のものである。ただし、より大規模な多施設の比較試験が必要である。試験では、エンドポイントを標準化し、追跡期間を長くする必要がある。
掲載誌の IF 相当：1.2（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：Harrison G. Prospective Clinical Evidence on Artificial Intelligence-Enabled Augmented and Mixed Reality in Robot-Assisted Prostate and Kidney Cancer Surgery: A Systematic Review. Cureus. 2026 Sep 23 [Epub ahead of print]. doi:10.7759/cureus.116810.確認の範囲：抄録のみ確認
腺様嚢胞癌の治療・治験とAI
この号では、新しい該当論文はありませんでした。
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
卵巣がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
子宮体がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
胃がんの治療・治験とAI
- Incorporating visceral adipose tissue into dual-region deep learning radiomics on CT improves preoperative lymph node metastasis prediction in gastric cancer: A multicenter study.抄録（全訳）
背景：胃がん（GC）では、内臓脂肪組織（VAT）が腫瘍の進行と関連する。しかし、リンパ節転移（LNM）の予測に VAT を加える価値はまだ分かっていない。
目的：CT 画像から VAT と腫瘍の両方の特徴を取り込む二領域深層学習ラジオミクス（DR-DLR）モデルを作り、GC 患者の LNM を予測することを目指した。あわせて、モデルの生物学的な意味も調べた。
方法：3 つの臨床施設から GC 患者 855 例を後ろ向きに集めた。患者は、主コホート、内部テストコホート 1 つ、独立した外部検証コホート 2 つに分けた。CT 画像からの画像表現の抽出には、Attention Residual Transformation Network（ARTNet）を用いた。この特徴表現と臨床変数を多層パーセプトロン（MLP）で統合し、DR-DLR モデルを作った。評価項目は、モデルの性能、汎化性、予後予測能、生物学的な意義である。評価には、内部・外部テスト、放射線科医との比較、生存解析、ラジオゲノミクス解析を用いた。
結果：VAT 由来の特徴を加えると、腫瘍だけのモデルより予測性能が上がった。DR-DLR モデルの受信者動作特性曲線下面積（AUC）は、内部テストコホートで 0.898（95% 信頼区間 0.817〜0.946）だった。2 つの外部テストコホートでは、それぞれ 0.834（95% 信頼区間 0.743〜0.897）と 0.848（95% 信頼区間 0.775〜0.901）だった。LNM の評価では、若手と熟練のどちらの放射線科医よりも成績がよかった。全生存期間は、高リスクの患者で低リスクの患者より短かった。ラジオゲノミクス解析では、高リスクの表現型が免疫関連経路の活性化と関連していた。CD4+ T 細胞、形質細胞、樹状細胞、肥満細胞の浸潤の増加とも関連していた。
結論：DR-DLR モデルで LNM の予測が改善した。このモデルによる高リスク表現型は、免疫関連の分子変化と関連していた。この結果は、術前のリスク層別化にこのモデルが役立つことを支持する。
掲載誌の IF 相当：3.6（OpenAlex の直近 2 年の平均被引用数・2026-10-11 時点の値、2026-10-12 に取得。正式な IF（Clarivate）ではない）書誌：Miao S, Xiong Z, Yang H, Zhang L, Qi H, Liu Z, et al. Incorporating visceral adipose tissue into dual-region deep learning radiomics on CT improves preoperative lymph node metastasis prediction in gastric cancer: A multicenter study. European Journal of Radiology. 2027 Jan;206:113309. doi:10.1016/j.ejrad.2026.113309.確認の範囲：抄録のみ確認
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
腎臓がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
膀胱がんの治療・治験とAI
- Integrative single-cell and spatial transcriptomics combined with machine learning reveals molecular features and key risk genes of high-stemness malignant epithelial cells in bladder cancer抄録（全訳）
膀胱がん（BCa）は分子レベルの不均一性が大きく、再発・進行・治療抵抗性のリスクも高い。そのため、細胞の状態の水準で定めた新しいバイオマーカーが求められている。本研究では、BCa で幹細胞性の高い悪性上皮細胞の特徴を調べるため、複数のデータと手法を統合した。用いたのは、単一細胞 RNA シーケンス（scRNA-seq）、空間トランスクリプトミクス（ST）、バルク RNA シーケンス（bulk RNA-seq）、機械学習（ML）モデル、免疫療法コホートである。scRNA-seq データから、CopyKAT で悪性上皮細胞を見つけた。これを患者ごとの CytoTRACE スコアに基づき、LowStem、IMStem、HighStem の 3 群に分けた。細胞間コミュニケーション解析と経路解析によると、HighStem の悪性上皮細胞は、免疫細胞・線維芽細胞・内皮細胞と広く相互作用していると推定された。HighStem 細胞では、DNA 修復、酸化的リン酸化、MYC、E2F の経路のスコアが高かった。一方、トランスフォーミング増殖因子β（TGF-β）、Notch、WNT/β-カテニンの経路のスコアは低かった。続いて、高次元重み付き遺伝子共発現ネットワーク解析（hdWGCNA）、発現変動解析、生存解析、ST による検証、ML モデリングを統合した。その結果、TXNL4A、APEX1、TIMM8B、MDH2、TRMT112、C1QBP、CYC1、BANF1 を中核のリスク遺伝子として特定した。ガウスナイーブベイズ（NB）モデルは、両コホートのいずれでも全体として良好な分類性能を示した。シャープレイ加法的説明（SHAP）では、8 遺伝子すべてが HighStem 細胞の識別に寄与していた。免疫療法コホートの解析からは、TXNL4A、BANF1、MDH2 が免疫療法への反応と関連する可能性が示唆された。仮想ノックアウト解析からは、BANF1 関連のネットワークがタンパク質合成、ミトコンドリア機能、細胞接着に関わることが示唆された。これらの結果は、BCa における幹細胞性の不均一性を理解する分子基盤となりうる。個別化治療戦略の開発にも役立つかもしれない。
掲載誌の IF 相当：2.4（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：Liu X, Xiao Z, Wang Y, Huang L. Integrative single-cell and spatial transcriptomics combined with machine learning reveals molecular features and key risk genes of high-stemness malignant epithelial cells in bladder cancer. Discov Onc. 2026 Oct 23 [Epub ahead of print]. doi:10.1007/s12672-026-06196-2.確認の範囲：抄録のみ確認