AIとがん研究 ── がん一般 ── 2026-10-30
がん一般の分子生物学の進展とAI
- Histopathology-Based Spatial Profiling of Immune and Molecular Features Predicts Cancer Risk in Barrett’s Esophagus Patients抄録（全訳）
バレット食道（BE）の患者では、発がんリスクをもっと正確に層別化する必要がある。高リスクの人を見つけ、低リスクの人への過剰な治療を減らすためである。BE が腺がんへ進むのは、ゲノムの要因と微小環境の要因が組み合わさるためと考えられる。そのため、両方を組み込んだ予測モデルが役立つ可能性がある。
本研究では BEACON（Barrett's Esophagus DNA content Abnormality and immune ecology for Cancer Outcome）を開発した。BEACON は、日常診療の病理組織像を入力に使う。通常の病理組織像から深層学習で DNA 量と免疫の構造を予測し、空間情報を考慮して統合する枠組みである。
まず、病理組織像から DNA 量を予測する多インスタンス学習モデル DACOR を作った。学習には BE 生検 777 件を用いた。学習には、フローサイトメトリーによる DNA 量のデータをもつ BE 生検 777 件を用い、2 施設でスキャンした。DACOR は DNA 量異常の予測で高い性能を示した。DNA 量異常の予測で、検証データでも試験データでも高い性能を示した。DACOR が DNA 量異常と分類した患者では、がんへの進行が増えていた。
補完的に、細胞分類と組織セグメンテーションのモデルも併用した。これにより、免疫環境の空間的な指標を計算できた。異常領域では、正常領域に比べてリンパ形質細胞性の炎症が強かった。DNA 量異常のある患者では、進行例は非進行例より、異常上皮に隣接する形質細胞の集簇が増えていた。進行した人では、異常上皮のすぐそばに形質細胞が集まる傾向が強かった。
最後に、がんリスクの層別化のため、ロジスティック回帰モデルを作った。分子、免疫環境、上皮形態の特徴を統合したモデルである。この統合リスク分類モデルで、DNA 量異常の患者は高リスク群と低リスク群に分かれた。統合モデルは DNA 量異常の患者を高・低リスク群に分け、両群は進行と生存に対応した。
全体として、BEACON は分子異常と免疫環境を空間的に統合する。日常の病理画像から、BE 患者をがん進行リスクで層別化できる。
掲載誌の IF 相当：0.6（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）書誌：Ercan C, Pan X, Paulson TG, Stachler MD, Göknur Akarca F, Grady WM, et al. Histopathology-Based Spatial Profiling of Immune and Molecular Features Predicts Cancer Risk in Barrett’s Esophagus Patients. Cancer Res. 2026 Oct 27 [Epub ahead of print]. doi:10.1158/0008-5472.can-26-1476. PMID: 42944677.確認の範囲：抄録のみ確認 - CTC-AttnNet: development and validation of an attention-based neural network for staging gastrointestinal malignancies.抄録（全訳）
目的：循環腫瘍細胞（CTC）と血清腫瘍マーカーを使い、消化管がんの T 病期を分類する非侵襲的なモデルを開発し、検証する。あわせて、CTC の予測能を従来の腫瘍マーカーと比べる。
方法：同じ地域にある 2 病院の消化管がん患者 328 例を対象とした後ろ向き研究である。モデルを作る内部コホートは 214 例であった（T1 + T2 が n = 49、T3 + T4 が n = 165）。独立した検証コホートは 114 例であった（T1 + T2 が n = 55、T3 + T4 が n = 59）。CTC と関連する病期関連因子は、単変量・多変量ロジスティック回帰分析で特定した。特徴量の数が不揃いなことで生じる偏りを、最小限にとどめる。そのため、3 次元にそろえた特徴量セットを構築した。 重度のクラス不均衡に対処するため、次の 3 手法を用いた。反復層別 5 分割交差検証、分割ごとの合成少数オーバーサンプリング法（SMOTE）、重み付き交差エントロピー損失である。性能の評価に、全体の正解率は用いなかった。用いたのは、AUC、バランス正解率、F1 スコア、較正の指標である。比較したモデルは、ロジスティック回帰、決定木、サポートベクターマシン、k 近傍法、新たに開発した CTC-AttnNet である。探索的な再発解析として、カプラン・マイヤー（K‒M）解析と Cox 解析を行った。
結果：CTC 数だけでは、TNM 病期全体の識別は中程度で（AUC = 0.742）、T 病期の識別は不良であった（AUC = 0.595）。一方、T 病期の識別は低かった（AUC = 0.595）。従来の腫瘍マーカー 4 種の AUC は、いずれも 0.60 未満であった。TNM 病期全体の進行は、CTC 陽性と独立して関連していた（オッズ比 1.844、95% 信頼区間 1.255〜2.710、P = 0.002）。 次元をそろえた条件で、CTC を含む特徴量セットの外部検証 AUC は 0.76 であった。これは、次元を削減した従来マーカーの組み合わせ（AUC = 0.65）を上回った。CTC-AttnNet は、外部検証で AUC 0.82、バランス正解率 0.78、F1 スコア 0.76 を達成した。アブレーション解析で、アテンション機構により認識が改善することが分かった。改善したのは、少数クラスである T1 + T2 の症例の認識である。CTC 陽性は再発とも独立して関連していた（ハザード比 5.263、95% 信頼区間 1.637〜16.927、P = 0.005）。
結論：CTC は、消化管がんの病期と術後再発に有意に関連していた。CTC に基づく多変量モデルは、従来の血清腫瘍マーカー 4 種によるモデルより T 病期をよく識別した。ただし、CTC 数だけでは識別能が限られていた。CTC-AttnNet は、この後ろ向き地域コホートにおける探索的な非侵襲的層別化ツールである。また、リキッドバイオプシーの予測モデルを開発するための方法論の枠組みを示す。
掲載誌の IF 相当：2.7（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：Li L, Sun C, Wang S, Qiang H, Liu Z, Wang H, et al. CTC-AttnNet: development and validation of an attention-based neural network for staging gastrointestinal malignancies. World J Surg Oncol. 2026 Aug 1;24(1):409. doi:10.1186/s12957-026-04530-0. PMID: 42947149.確認の範囲：抄録のみ確認