AIとがん研究 ── 乳がん ── 2026-10-30

対象誌と選び方は索引の頁に

乳がんの治療・治験とAI

• MRI ラジオミクスによる乳がん術前化学療法後の病理学的完全奏効の予測：機械学習モデルの比較
  MRI-based radiomics analysis: comparative application of different machine learning models in predicting pathological complete response after neoadjuvant chemotherapy for breast cancer
  BMC Medical Imaging · 2026-10-28 · 証拠の段階: 後ろ向きの観察（単施設）
  抄録（全訳）

  乳がんの術前化学療法（NAC）後の病理学的完全奏効（pCR）を予測する機械学習（ML）モデルを開発し、比較することを目的とした。比較したのは、次の 3 通りに基づくモデルである。ダイナミック造影 MRI（DCE-MRI）のラジオミクス、臨床変数、およびその両方の組み合わせである。あわせて、独立した試験コホートでの各モデルの安定性を、批判的に評価することも目的とした。

  本研究は単施設の後ろ向き研究である。2020 年 5 月から 2025 年 5 月に治療を受けた患者 272 例を後ろ向きに解析した。pCR は Miller-Payne 分類で判定した。pCR は Miller-Payne 分類で判定し、ypT0/Tis ypN0（採取した腋窩リンパ節に腫瘍の残存なし）に相当するものとした。治療前の DCE-MRI の第 3 相から、PyRadiomics で計 1,834 個の特徴量を抽出した。

  特徴量選択は、Mann–Whitney U 検定、Spearman 相関による冗長な特徴量の除去、LASSO の順に行った。特徴量選択とハイパーパラメータの調整は、すべて訓練コホート（n = 217）だけで行った。別に取り分けた試験コホート（n = 55）は、最終評価に一度だけ使った。比較したモデルは、ロジスティック回帰（LR）、放射基底関数（RBF）サポートベクターマシン（SVM）、多層パーセプトロン（MLP）である。臨床シグネチャー（HER2 と腋窩リンパ節の状態）と、ラジオミクス・臨床ノモグラムもあわせて比べた。評価には識別能（AUC）と決定曲線分析（DCA）を用いた。

  272 例のうち 98 例（36.03%）が pCR に至った。Mann–Whitney によるスクリーニングと Spearman による除去の後、34 個の特徴量が残った。LASSO はそこから、係数が 0 でない 17 個を選んだ。SVM によるラジオミクスモデルの成績が最もよかった（訓練 AUC 0.873、試験 AUC 0.782）。臨床シグネチャーは最も安定したモデルであった（訓練 AUC 0.885、試験 AUC 0.806）。

  一方、ノモグラムの訓練 AUC は最も高かった（0.901）。しかし、試験コホートでは大きく低下した（AUC 0.686、95% 信頼区間 0.350〜1.000）。DCA でのノモグラムの優位性も、小規模な試験コホートでは再現されなかった。

  HER2 陽性とリンパ節転移陰性は、pCR に至りやすい患者を頑健に見分けられた。MRI ラジオミクスは、中程度の補完的な識別能を示した。しかし、ノモグラムによる上乗せ効果は独立した試験コホートで確認されなかった。ただし、併用ノモグラムの上乗せ効果は独立した試験コホートで確認されず、過学習の可能性が示唆された。ラジオミクスによるモデルを臨床で使う前に、層別化した検証か外部検証が必要である。

  掲載誌の IF 相当：3.8（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：Li H, Zhang L, Zeng Y, Ye Z, Zhang Y. MRI-based radiomics analysis: comparative application of different machine learning models in predicting pathological complete response after neoadjuvant chemotherapy for breast cancer. BMC Med Imaging. 2026 Oct 28 [Epub ahead of print]. doi:10.1186/s12880-026-02917-9.
  確認の範囲：抄録のみ確認
• 乳がん病理組織像の腫瘍浸潤リンパ球を機械学習で評価する研究の臨床応用への準備度：システマティックレビューとエビデンスギャップ分析
  Machine learning-based assessment of tumor-infiltrating lymphocytes in breast cancer histopathology: a systematic review and evidence-gap analysis of translational readiness
  Frontiers in Oncology · 2026-10-26 · 証拠の段階: システマティックレビュー（記述的統合）
  抄録（全訳）

  背景：乳がんの病理組織像では、腫瘍内の免疫の状態（immune contexture）を評価する。乳がんの病理組織における免疫構成の評価の再現性と臨床的有用性を高めるため、機械学習による腫瘍浸潤リンパ球（TIL）評価が提案されてきた。しかし既存の研究は、次の点で大きく異なる。課題の定義、アノテーションの戦略、モデルの構造、検証のデザイン、臨床エンドポイントである。本レビューの目的は二つある。一つは、乳がん病理組織像の TIL 関連機械学習研究について、臨床応用への準備度を整理することである。もう一つは、研究群ごとの方法論上の不足を特定することである。

  方法：PubMed、Web of Science、Scopus、ScienceDirect、Google Scholar を 2026 年 4 月 20 日まで系統的に検索した。検索は、引用文献の遡及的な追跡で補った。さらに、関連性が最も高い追加の 30 件を対象に、Google で的を絞った検索も行った。対象は、乳がんの病理組織に機械学習・深層学習・人工知能・計算画像解析を用い、TIL または TIL 関連の免疫細胞の特徴を評価した研究とした。手法は機械学習、深層学習、人工知能、計算機による画像解析のいずれでもよい。 研究は、主な用途により、検出・分類、予後予測、治療反応予測の 3 群に分けた。検出・分類、予後予測、治療反応予測である。抽出した変数は次のとおりである。データの出所、検体の種類、モデルの系統、アノテーションの戦略、検証のデザイン、臨床的比較対照の使用、較正、決定曲線分析、上乗せの価値、再現性、方法論上の課題である。エンドポイントと性能指標が不均一なため、統合は記述的で、エビデンスマップに基づくものとした。そのため統合は記述的に行い、エビデンスマップを作った。

  結果：主要なエビデンスマップには、病理組織画像を用いた研究 51 件が含まれた。内訳は、検出・分類 19 件、予後予測 18 件、治療反応予測 14 件である。外部検証を報告していた割合は、検出・分類研究で 31.6%、予後予測研究で 61.1%、治療反応予測研究で 57.1% であった。臨床的な比較対照の報告も同じ順に増え、それぞれ 63.2%、94.4%、92.9% であった。 一方、較正を報告していたのは予後予測研究 1 件（5.6%）だけであった。検出・分類と治療反応予測の研究には一つもなかった。決定曲線分析も同じく、予後予測研究 1 件に限られていた。クラスの偏りは、ほぼすべての研究にあった（各群で 94.7〜100%）。スキャナーや染色の違いへの頑健性は、過半数の研究で検討されていた（63.2〜83.3%）。しかし、公平性やサブグループの解析は、報告にばらつきが残っていた（27.8〜57.1%）。

  結論：乳がんの TIL 機械学習は、技術面では活発だが臨床での検証が足りない。今後の研究は、モデルの開発にとどまるべきではない。今後の研究は、モデル開発にとどまらず、外部検証され、較正され、臨床の基準と比べられたエビデンスを目指すべきである。また、再現でき、意思決定に関連するエビデンスであることも目指すべきである。その際は、検出・予後予測・治療反応予測それぞれに固有の計画基準を用いる。 システマティックレビューの登録：https://www.crd.york.ac.uk/PROSPERO/view/CRD42024574566 、識別番号 CRD42024574566

  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：Dunenova G, Sarsembayev A, Oshibayeva A, Kyrykbayeva S, Abdrakhmanova Z, Omarova B, et al. Machine learning-based assessment of tumor-infiltrating lymphocytes in breast cancer histopathology: a systematic review and evidence-gap analysis of translational readiness. Front Oncol. 2026 Oct 26;16:1908349. doi:10.3389/fonc.2026.1908349.
  確認の範囲：抄録のみ確認
• 臨床病理学的データで Oncotype DX® の結果を予測する解釈可能な機械学習モデル：ブラジルのコホート研究
  Interpretable machine learning models for oncotypedDX® prediction using clinicopathologic data: a brazilian cohort study
  npj Breast Cancer · 2026-10-26 · 証拠の段階: 観察研究（既存コホートでの予測モデルの開発と評価）
  抄録（全訳）

  Oncotype DX®（ODX）は、早期乳がん（eBC）で術後補助化学療法を行うかどうかの判断材料になる。しかし費用が高く、資源の限られた環境では受けにくい。著者らは、解釈しやすい機械学習モデルを開発し、評価した。日常的な臨床病理学的変数から ODX の再発スコア（RS）を予測し、ゲノム検査の最適化を図る、解釈可能な機械学習モデルを開発し評価した。GBECAM コホート（2005〜2024年）のブラジル人 eBC 患者 935 例を解析した。手法には Ridge 回帰を選んだ。予測性能、解釈しやすさ、計算効率を理由とした。患者は、RS > 25 となる予測確率に基づいてリスク群に分けた。無再発生存期間はカプラン・マイヤー法で推定した。

  RS > 25 を見分ける判別能は良好であった（受信者動作特性曲線下面積（AUROC）0.818、95% 信頼区間 0.780〜0.852）。感度は 0.556、特異度は 0.859 であった。予測リスクが最も高い四分位には、RS > 25 の症例全体の 60.8% が含まれていた（この群で実際に RS > 25 だった割合は 42.8%）。一方、リスクが低い半数では、その割合は 4.4% にとどまった。これらの結果から、最大 75% の患者は確認用の ODX 検査なしで振り分けられ、ゲノム検査を中間リスク群に絞れる可能性が示唆される。その場合、ゲノム検査は中間リスクの群に絞って行うことになる。Ridge モデルの性能は、既報の臨床病理学的モデルを上回った。Ridge モデルは既報の臨床病理学的モデルを上回り、ODX 検査の優先順位付けと資源配分を改善する費用対効果の高い策となりうる。

  掲載誌の IF 相当：6.2（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）
  書誌：de Araújo JAP, de Carvalho Oliveira LJ, Los B, Araújo DC, Souza PH, Rosa DD, et al. Interpretable machine learning models for oncotypedDX® prediction using clinicopathologic data: a brazilian cohort study. npj Breast Cancer. 2026 Oct 26 [Epub ahead of print]. doi:10.1038/s41523-026-01065-1.
  確認の範囲：抄録のみ確認

← この号の目次へ