AIとがん研究 ── 2026-10-30
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（3） · 肺がん（0） · 膵がん（1） · 前立腺がん（3） · 腺様嚢胞癌（0） · 脳腫瘍（2） · 卵巣がん（1） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（2） · 腎臓がん（0） · 膀胱がん（2）
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
乳がんの治療・治験とAI
- MRI-based radiomics analysis: comparative application of different machine learning models in predicting pathological complete response after neoadjuvant chemotherapy for breast cancer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 - Machine learning-based assessment of tumor-infiltrating lymphocytes in breast cancer histopathology: a systematic review and evidence-gap analysis of translational readiness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
肺がんの治療・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。
膵がんの治療・治験とAI
- Internal Evaluation of a Machine Learning-Based Random Forest Model for Clinically Relevant Postoperative Pancreatic Fistula After Pancreaticoduodenectomy: Limited Incremental Value of Inflammatory–Nutritional Markers抄録（全訳）
背景と目的： 術前の好中球・リンパ球比（NLR）を加えると予測がよくなるかを調べた。予測の対象は、膵頭十二指腸切除後の臨床的に問題となる術後膵液瘻（CR-POPF）である。 対象と方法： 単施設の後ろ向きコホート研究である。2019年1月〜2026年3月に手術を受けた 158 例のうち、120 例を対象とした。除外した 38 例は、膵管径の記録がなかった。CR-POPF は、International Study Group on Pancreatic Surgery の 2016 年の定義に従った。膵管径・推定出血量・NLR を組み込んだランダムフォレストを作った。膵管径、推定出血量、NLR を組み込んだランダムフォレストを、NLR を除いたモデルおよび罰則付きロジスティック回帰と比べた。比較は、層別 5 分割交差検証を 10 回繰り返して行った。事後の臨床病理学的感度分析では、膵実質の性状と腫瘍の由来を加え、続いて炎症・栄養指標を個別に検討した。そのうえで、炎症・栄養マーカーを一つずつ検証した。判別能、平均適合率、ブライアスコア、キャリブレーション、探索的な決定曲線解析を評価した。
結果：CR-POPF は 16 例（13.3%）に生じた。生化学的リークは 28 例（23.3%）であった。NLR を組み込んだモデルの受信者動作特性曲線下面積（AUC）は 0.721（95% 信頼区間 0.576〜0.850）であった。NLR を除いた比較モデルの AUC は 0.760、罰則付きロジスティック回帰は 0.736 であった。変数を増やしたベースラインモデルの AUC は 0.743 で、NLR を加えると 0.715 になった。単球・リンパ球比を加えると、AUC は数値の上では 0.779 に上がった。単球対リンパ球比では AUC が数値上は 0.779 に上がったが、対応のある差は不確かであった（ΔAUC 0.037、95% 信頼区間 −0.017〜0.096）。ほかに評価したマーカーでは、はっきりした上乗せ効果はみられなかった。膵切除後急性膵炎は 7 例（5.8%）に起きた。
結論：NLR に予測の上乗せ効果は認められなかった。単球・リンパ球比の結果は、仮説を生む段階にとどまる。イベント数が少ないこと、予測因子を交差検証の外で選んだことから、解釈には限界がある。性能は楽観的に見積もられている可能性がある。今回の結果は、独立した外部検証なしでの臨床導入を支持しない。
掲載誌の IF 相当：4.0（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）書誌：Gunes G, Ozcan A, Unsal A. Internal Evaluation of a Machine Learning-Based Random Forest Model for Clinically Relevant Postoperative Pancreatic Fistula After Pancreaticoduodenectomy: Limited Incremental Value of Inflammatory–Nutritional Markers. J Clin Med. 2026 Oct 28;15(21):8379. doi:10.3390/jcm15218379.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- Identification of ageing-related genes in prostate cancer with type 2 Diabetes using machine learning: a multi-omics study focusing on SOX4, PRNP, and FOXO4.抄録（全訳）
前立腺がん（PCa）は、2 型糖尿病（T2DM）および老化と複雑に関連している。しかし、三者を結ぶ分子機構はまだよく分かっていない。本研究の目的は、これらの経路が交わる部分で診断バイオマーカーを特定し、検証することである。これらの経路の接点にある診断バイオマーカーを同定・検証し、高リスク集団での早期発見とリスク層別化を可能にすることを目的とした。
GEO データベースから PCa と T2DM のトランスクリプトームデータを取得し、バイオインフォマティクス解析を行った。続いて、発現変動解析、重み付き遺伝子共発現ネットワーク解析（WGCNA）、機能エンリッチメント解析を行った。ハブとなる老化関連遺伝子（ARG）の特定には、8 種類の機械学習アルゴリズムを用いた。特徴量の重要度は SHAP 解析で解釈した。ノモグラムモデルを作り、複数のコホートで検証した。機序の探索には、免疫細胞浸潤、薬剤感受性、シングルセル RNA シーケンシング、空間トランスクリプトミクスを用いた。
主要な ARG として、SOX4、PRNP、FOXO4 の 3 つを特定した。これらを用いた診断モデルは精度が高かった（曲線下面積（AUC）0.726〜0.905）。SOX4 は免疫回避を促していた。PRNP は状況に応じて二面的な性質を示し、FOXO4 はがん抑制因子として働いた。空間解析とシングルセル解析で、発現が細胞種ごとに異なることが示された。また、MIF、LRP1、FZD1 を介した線維芽細胞と上皮細胞の間の情報伝達も示された。薬剤感受性の解析では、高リスク群にはアビラテロン、低リスク群にはドセタキセルが治療薬の候補として挙がった。高リスク患者ではアビラテロン、低リスク患者ではドセタキセルである。
結論として、SOX4、PRNP、FOXO4 は PCa、T2DM、老化をつなぐ主要なバイオマーカーである。診断モデルは頑健な性能を示し、臨床でも有用である。T2DM を伴う前立腺がん患者で、微小環境が駆動する機序と個別化治療の方針を考える手がかりになる。T2DM を合併する PCa 患者の個別化治療戦略を考える手がかりにもなる。
掲載誌の IF 相当：5.1（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）書誌：Zhang W, Zhang X, Zhang C, Shi X, Deng Y, Gao Y, et al. Identification of ageing-related genes in prostate cancer with type 2 Diabetes using machine learning: a multi-omics study focusing on SOX4, PRNP, and FOXO4. Artif Cells Nanomed Biotechnol. 2026 Oct 28;54(1):890-907. doi:10.1080/21691401.2026.2737622. PMID: 42952172.確認の範囲：抄録のみ確認 - A cascade deep learning network for simultaneous prediction of dose and linear energy transfer in proton therapy of prostate cancer抄録（全訳）
目的：線量平均線エネルギー付与（LETd）を予測できれば、陽子線治療の計画を LET も考慮して評価しやすくなる可能性がある。本研究では、カスケード型の深層学習の枠組みを開発した。前立腺がんの強度変調陽子線治療で、線量と LETd の三次元分布を同時に予測するものである。前立腺がん 150 例を対象とし、各例で DoseOpt と LETOpt の 2 種類の計画を用いた。従来の線量に基づく最適化（DoseOpt）と、LETd を組み込んだ最適化（LETOpt）である。
方法：前立腺がん患者 150 例を対象とした。どの患者にも DoseOpt と LETOpt の両方の計画があった。入力には、計画用 CT 画像と解剖学的構造のマスクを用いた。カスケードネットワークは、線量予測の経路で得た中間の潜在表現を LETd 予測の経路に受け渡した。比較対象には 3 種類のネットワークを用いた。比較対象は、段階型、マルチタスク型、解剖情報のみから LETd を予測する型（only-LET）のネットワークである。モデルの性能は 5 分割交差検証で評価した。 主な結果： 線量を予測するモデルは、いずれも空間的な一致度が高かった。カスケードモデルのダイス類似係数は、処方線量の 50%、75%、95% の等線量体積で、それぞれ約 0.93、0.96、0.95 であった。偽発見率で補正すると、構造ごとの線量誤差に有意差は残らなかった。全体の LETd の平均絶対誤差（MAE）は、DoseOpt、LETOpt のいずれでもカスケードモデルが最も小さかった。値はそれぞれ 0.108 ± 0.025 keV/μm、0.111 ± 0.025 keV/μm であった。いずれもマルチタスク型、段階型、only-LET モデルより有意に低かった。構造ごとの LETd の予測性能は、評価項目によって異なった。構造ごとの LETd の性能は評価項目により異なり、CTV とリスク臓器のいくつかの項目ではカスケードモデルが良好であった。LETOpt は主に LETd を再配分し、線量はおおむね保っていた。カスケードモデルは、計画ごとの主な変化を再現した。直腸と直腸壁での LETd の低下もその一つである。推論時間は、患者 1 人あたり平均 0.505 ± 0.020 s であった。
意義：この枠組みを使うと、事前に計算した線量分布がなくても、患者の解剖情報から線量と LETd を短時間で同時に予測できる。提案した枠組みは、患者の解剖情報だけから、あらかじめ定めた計画戦略の線量と LETd を、事前の線量分布なしで迅速に同時予測できる。LET を考慮した計画の比較を支え、今後の LETd に基づく生物学的最適化の基盤にもなる。
掲載誌の IF 相当：2.9（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）書誌：Liu Q, Wei S, Peng H, Tang Y, Chen X, Dai J, et al. A cascade deep learning network for simultaneous prediction of dose and linear energy transfer in proton therapy of prostate cancer. Phys Med Biol. 2026 Oct 27 [Epub ahead of print]. doi:10.1088/1361-6560/aeba33. PMID: 42945684.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
- Pixel-Wise Prediction of Glioblastoma Recurrence Using Mid-Treatment MRI and Deep Learning抄録（全訳）
序論：膠芽腫（GBM）は、もとの肉眼的腫瘍体積（GTV）の近くで再発することが多い。このことから、画像で進行が見える前から、治療抵抗性の部分領域があることが示唆される。本研究では、見かけの拡散係数（ADC）マップに深層学習を使い、GTV 内の治療抵抗性領域の確率マップをピクセル単位で作れるかを調べた。
方法：訓練・検証セットには、自施設の患者 64 例について放射線照射 10 回目（Fx10）後の画像を含めた。これに、外部の患者 40 例の治療前の画像を、ドメインの異なる補助的な訓練コホートとして加えた。保留したテストセットは、自施設の Fx10 患者 16 例である。抵抗性領域は、照射 10 回目に撮像したスキャンの GTV と、治療終了後の再発が重なる部分と定義した。モデルは GTV を切り出した 2D スライスで訓練した。データ漏洩を防ぐため、データは患者単位で分けた。MRI 入力は単一モダリティと複数モダリティで比べ、その後 ADC に基づくモデルを評価した。評価したのは、ベースラインの UNet、事前学習済み ResNet34、BiomedCLIP 支援 UNet、BLIP 画像–テキスト UNet である。性能は ROC AUC、PR AUC、F1 スコア、再現率、特異度、適合率などの一般的な指標で評価した。
結果：単一モダリティでは ADC の情報量が最も多かった。受信者動作特性（ROC）曲線下面積（AUC）は 69%、適合率–再現率（PR）曲線の AUC は 80% だった。ADC に基づくアーキテクチャの比較では、すべての指標で一貫して優れたモデルはなかった。ベースラインの UNet は、正解率、F1 スコア、再現率が最も高かった。一方、事前学習済みの ResNet34 と BLIP 支援モデルでは、ROC AUC がベースラインの UNet をわずかに上回った（いずれも 70%）。誤差解析では、抵抗性領域が小さいかまばらな場合に、性能が大きく下がった。偽陰性は、抵抗性領域と GTV の境界付近に多かった。
結論：ADC を使った深層学習で、GTV 内にある膠芽腫の治療抵抗性領域をピクセル単位でマッピングできる可能性が示された。ゼロから訓練した UNet は、感度と F1 のバランスが最もよかった。事前学習済みモデルや視覚言語モデル（VLM）支援モデルの利点は、特定の指標に限られた。細かい空間的セグメンテーションの性能では、BiomedCLIP 支援 UNet も BLIP 画像–テキスト UNet も、ベースラインの UNet を明確には上回らなかった。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）書誌：Rezvanjou S, Osapoetra LO, Moore-Palhares D, Lawrence LSP, Lau AZ, Sahgal A, et al. Pixel-Wise Prediction of Glioblastoma Recurrence Using Mid-Treatment MRI and Deep Learning. Cancers. 2026 Oct 27;18(21):3465. doi:10.3390/cancers18213465.確認の範囲：抄録のみ確認 - Foundation Models for Glioma MRI: A Systematic Scoping Review of Clinical Applications and Translational Readiness抄録（全訳）
背景・目的：神経膠腫の診断では、磁気共鳴画像（MRI）、分子特性、臨床情報を統合することがますます重要になっている。基盤モデルは、転用できる表現学習とマルチモーダル統合によって、AI 支援診断を支えうる。ただし、臨床使用を支持するエビデンスはまだ断片的である。本スコーピングレビューでは、神経膠腫の神経画像における基盤モデルの現在の応用を整理した。あわせて、腫瘍の輪郭描出、分子特性の評価、マルチモーダル診断支援、臨床応用との関連を評価した。PRISMA-ScR の原則に沿って、6 つの文献情報源を 2026 年 7 月 26 日まで検索した。適格な記録は、次の観点で分類した：モデルの系統、事前学習と適応の戦略、画像の用途、マルチモーダル統合、検証デザイン、臨床的関連性。特定した記録は 3688 件で、重複除去後に 2071 件が残った。525 件で詳細な適格性評価を行い、125 件を組み入れた。エビデンスは次の分野に集中していた。プロンプト可能なセグメンテーション（n = 47）、再利用可能な脳 MRI 表現（n = 26）、視覚言語モデルと言語モデルの応用（n = 22）、分子分類と予後予測（n = 16）、臨床への橋渡しやガバナンスの研究（n = 14）である。基盤モデルには、腫瘍の輪郭描出、再利用可能な表現学習、分子表現型の予測、マルチモーダル診断支援に役立つ可能性が示された。しかし、独立した外部検証はまだ少ない。画像の不均一性や欠損シーケンスへの頑健性、較正（キャリブレーション）、ワークフローでの前向き評価も、まだ限られている。基盤モデルは、AI 支援による神経膠腫診断で有望な能力をもつ。なかでも、セグメンテーション、再利用可能な MRI 表現学習、分子特性の評価、マルチモーダル支援で有望である。それでも、現在のエビデンスは日常診療への導入には不十分である。今後の研究では、次の点を優先すべきである：多施設での検証、標準化された評価、不確実性の評価、診断とワークフローでの有用性に関する前向き研究。
掲載誌の IF 相当：4.3（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：Yu Y, Zhang P, Xia C, Ma X, Xie F. Foundation Models for Glioma MRI: A Systematic Scoping Review of Clinical Applications and Translational Readiness. Brain Sci. 2026 Oct 26;16(11):1159. doi:10.3390/brainsci16111159.確認の範囲：抄録のみ確認
卵巣がんの治療・治験とAI
- Deep learning-based analysis of routine histopathology slides predicts response to PARP inhibitors in high grade serous ovarian cancer抄録（全訳）
PARP 阻害薬（PARPi）は、高異型度漿液性卵管・卵巣がん（HGSOC）の治療を大きく変えた。しかし、現在の予測バイオマーカーには、精度、拡張性、入手しやすさの点で課題がある。本研究では、通常のヘマトキシリン・エオジン（H&E）染色スライドから PARPi への反応を直接推定する AI の枠組みを作った。PARPi で治療した大規模なデータセットは限られている。そこで、プラチナ・タキサン化学療法への反応を代替エンドポイントとした。訓練には同療法を受けた患者 519 例を使い、2 つの独立したコホート（計 3,905 例）で検証した。施設間のばらつきがあっても、モデルはこれらのコホートで全生存期間に基づいて患者をリスク群に層別化した。次に、初回治療でニラパリブを受けた BRCA 野生型の患者 118 例の独立コホートに適用した。その結果、モデルのリスク予測は、臨床的共変量とは独立して、無増悪生存期間および全生存期間と関連していた。著者らの知る限り、これは初めての実証である。HGSOC の PARPi への反応を、日常的に採取される H&E スライドから直接導けることを示した。この結果は、PARPi 療法の対象患者をより精密に、より手軽に選ぶことを後押しする。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Deep learning-based analysis of routine histopathology slides predicts response to PARP inhibitors in high grade serous ovarian cancer. Apollo. [Epub ahead of print]. doi:10.17863/cam.136330.確認の範囲：抄録のみ確認
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
この号では、新しい該当論文はありませんでした。
肝臓がんの治療・治験とAI
- A radio-transcriptome signature for nodule-level prediction of response to atezolizumab plus bevacizumab in hepatocellular carcinoma抄録（全訳）
背景と目的：アテゾリズマブ＋ベバシズマブ（AB）療法の効果は、同じ患者でも肝細胞がん（HCC）の結節ごとに異なることがある。本研究の目的は、AB 療法への反応を結節ごとに予測する非侵襲的なラジオミクス・シグネチャー（ABRad）を作り、外部で検証することである。ABRad は、AB 療法への反応を結節ごとに予測するトランスクリプトーム・シグネチャー（ABS）を、非侵襲的なラジオミクス・シグネチャーに置き換えたものである。
方法：著者らはまず、IMbrave150 試験の治療前 HCC 検体 209 例で ABS を導出した。次に、GO30140 試験の 44 例で ABS を検証した。続いて、機械学習で ABS を ABRad に置き換えた。このために、外科的に切除した HCC の患者 59 例のデータを使った。この 59 例では、切除した肝細胞がんのゲノムワイドなトランスクリプトームと、切除前のコンピュータ断層撮影（CT）画像が対になってそろっていた。最後に、AB 療法を受けた患者 55 例の HCC 結節 178 個で、ABRad を外部検証した。
結果：148 遺伝子からなる ABS は、臨床試験のコホートで治療効果と無増悪生存期間（PFS）を予測した。最終的な ABRad モデルはランダムフォレストで構築した。このモデルでは、造影に関する特徴量の重みが大きかった。外部検証コホートでは、治療効果の程度と ABRad の間に有意な正の関連がみられた（P < 0.001）。受信者動作特性曲線下面積（AUC）は、完全奏効（CR）の予測で 0.71（95% 信頼区間 0.61〜0.80）であった。客観的奏効（OR）では 0.65（95% 信頼区間 0.56〜0.73）、病勢コントロール（DC）では 0.69（95% 信頼区間 0.59〜0.78）であった。結節ごとの ABRad は、治療効果と独立して関連していた。調整オッズ比は、CR で 3.39（95% 信頼区間 1.40〜8.21）、OR で 2.55（95% 信頼区間 1.19〜5.67）、DC で 2.60（95% 信頼区間 1.03〜6.56）であった。患者ごとの ABRad は、PFS の延長と有意に関連していた（P = 0.005）。
結論：ABRad で、HCC の AB 療法への反応を結節ごとに予測できた。
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：Tanaka T, Fujiwara N, Fujii T, Kimura G, Izuoka K, Tempaku M, et al. A radio-transcriptome signature for nodule-level prediction of response to atezolizumab plus bevacizumab in hepatocellular carcinoma. Liver Cancer. 2026 Oct 27 [Epub ahead of print]. doi:10.1159/lic/admag026.確認の範囲：抄録のみ確認 - Deciphering ENTPD5-driven radioresistance in hepatocellular carcinoma via multi-algorithm machine learning and single-cell virtual knockout抄録（全訳）
背景：肝細胞がん（HCC）では、放射線抵抗性のために持続的な局所制御が妨げられている。一方、クプロトーシス関連の代謝と放射線への反応との関係は、まだ十分に分かっていない。
方法：クプロトーシスと放射線に関連する 26 遺伝子を、3 つのコホートで統合して解析した。コホートは LIRI-JP（n = 231）、GSE14520（n = 225）、TCGA-LIHC（n = 325）である。コンセンサスクラスタリングと、機械学習の 127 通りの設定を使った。これにより予後スコアを作り、検証した。生物学的な評価には、次のデータと手法を用いた。GSE149614 の単一細胞データ、scTenifoldKnk による仮想ノックアウト、放射線を照射した MHCC97H モデル、術後検体の免疫組織化学である。
結果：勾配ブースティングマシンのスコアは、3 つのコホートのいずれでも全生存期間を一貫して層別化した。バルク（組織全体）のコホートでは、ENTPD5 の発現は高リスク群で低かった。また、ENTPD5 の発現はリスクスコアと逆相関していた。これに対し、悪性細胞 6,033 個では、ENTPD5 とスコアの間に弱い正の関連がみられた。放射線で選択された MHCC97H 細胞では、ENTPD5 の発現が上がっていた（P = 0.036、log2 fold change = 0.316）。仮想ノックアウトでは、アンフォールドタンパク質応答と放射線抵抗性関連のプログラムが弱まると予測された。臨床転帰を評価できた患者は 42 例であった。再発は、ENTPD5 陽性例の 39 例中 11 例、陰性例の 3 例中 3 例でみられた（28.2% 対 100%、Fisher の正確検定 P = 0.032）。ENTPD5 陽性例のほうが無増悪生存期間が長かった（ログランク検定 P = 0.019）。単変量 Cox 解析のハザード比は 0.22（95% 信頼区間 0.05〜0.89）であった。ただし、ENTPD5 陰性群は小さかった。
結論：統合スコアは、後ろ向きの HCC コホートで予後予測能を示した。ENTPD5 の関連は状況によって異なった。ENTPD5 は、バルク腫瘍、悪性細胞の状態、放射線で選択された細胞、術後組織で、文脈によって異なる関連を示した。これらの結果は、ENTPD5 がさらに研究すべきマーカー候補であることを支持する。ただし、ENTPD5 の因果的な役割や治療効果を予測する役割を確立するものではない。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Wu QQ, Zhang XF, Zhang Y, Wang HY, Wang LF, Xu Y, et al. Deciphering ENTPD5-driven radioresistance in hepatocellular carcinoma via multi-algorithm machine learning and single-cell virtual knockout. BMC Cancer. 2026 Oct 26 [Epub ahead of print]. doi:10.1186/s12885-026-17093-w.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
- Evaluation of Patient Information Provided by Artificial Intelligence Chatbots on Intravesical BCG Therapy for Bladder Cancer: A Cross-Sectional Methodological Study抄録（全訳）
目的：人工知能（AI）チャットボットは、手軽に使える医療情報源として利用が広がっている。しかし、AI が作る健康情報には懸念が残る。懸念の対象は、質、信頼性、読みやすさ、臨床での使いやすさである。カルメット・ゲラン桿菌（BCG）の膀胱内注入療法は、中リスクと高リスクの筋層非浸潤性膀胱がん（NMIBC）に対する標準的な補助療法である。この治療では、患者が治療の手順と起こりうる有害事象を十分に理解する必要がある。本研究の目的は、よく使われる AI チャットボットが BCG 膀胱内注入療法について示す情報を評価することである。評価項目は、質、信頼性、読みやすさ、ガイドラインへの準拠とした。
方法：横断的な方法論研究として、4 つの AI チャットボットの回答を評価した。対象は ChatGPT、Copilot、Gemini、Perplexity である。各チャットボットには、BCG 膀胱内注入療法に関する標準化した質問を入力した。回答は泌尿器科医 5 人がそれぞれ独立に評価した。評価には、妥当性が確認された指標を用いた。指標は DISCERN、PEMAT-P、WRR、Coleman-Liau Index（CLI）などである。欧州泌尿器科学会（EAU）ガイドラインへの準拠は、5 段階のリッカート尺度で評価した。
結果：回答は 454〜550 語であった。回答を読むには、大学レベルの読解力が必要であった（CLI の範囲：16.02〜19.35）。DISCERN スコアでは、情報の質はどのチャットボットでも中程度であった。DISCERN スコアの中央値が数値上最も高かったのは、Gemini であった（51 [47〜59]）。PEMAT-P の実行可能性スコアは、総じて低かった（中央値 40%）。ガイドラインへの準拠は中程度であった。リッカートスコアの中央値は、すべてのチャットボットで 3 であった。
結論：AI チャットボットは、BCG 膀胱内注入療法について中程度の質の情報を提供する。ただし、読むには高い読解レベルが必要である。また、患者が実際の行動に移せる具体的な指針は少ない。AI が作る情報は患者教育の助けになりうる。しかし、医師による説明の代わりにすべきではない。
掲載誌の IF 相当：0.3（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）書誌：Zengin S, Boyaci C, Olgun A, Kutluay O, Gul A. Evaluation of Patient Information Provided by Artificial Intelligence Chatbots on Intravesical BCG Therapy for Bladder Cancer: A Cross-Sectional Methodological Study. New J Urol. 2026 Oct 28;21(3):131-7. doi:10.33719/nju1929548.確認の範囲：抄録のみ確認 - Development and validation of a machine learning-based model for predicting survival in patients with bladder neuroendocrine carcinoma: a large retrospective study抄録（全訳）
背景：膀胱神経内分泌がん（BNEC）はまれだが、悪性度が非常に高く、予後はきわめて悪い。現行の TNM 病期分類では、予後について得られる情報が限られる。また、検証された予後予測ツールもない。本研究の目的は、大規模な集団データを使い、BNEC 患者の生存を個別に予測する機械学習（ML）モデルを作って検証することである。
方法：2004〜2021 年に病理学的に確定診断された BNEC 患者のデータを用いた。データは米国の Surveillance, Epidemiology, and End Results（SEER）データベースから抽出した。単変量と多変量の Cox 回帰分析で、独立した予後因子を特定した。これらの因子をもとに、訓練セット（全体の 70%）で 8 つの機械学習モデルを構築した。モデルは、ランダムフォレスト（RF）、勾配ブースティングマシン（GBM）、LASSO-Cox、CoxBoost、サポートベクターマシン（SVM）、XGBoost、SuperPC、plsRcox である。モデルの性能は、検証セット（全体の 30%）で総合的に評価した。評価には、C 指数、時間依存性の受信者動作特性（ROC）曲線、較正曲線、決定曲線分析（DCA）を用いた。
結果：最終解析の対象は BNEC 患者計 2117 例であった。多変量解析で、次の項目が独立した予後因子であった。年齢 74 歳超（ハザード比 1.51、P < 0.001）、男性（ハザード比 1.17、P = 0.038）、進行した T 病期（T2〜T4）、リンパ節転移陽性（N1〜N2）、遠隔転移（M1、ハザード比 1.99、P < 0.001）である。手術も独立した予後因子であり、経尿道的膀胱腫瘍切除術（TURBT）のハザード比は 0.75（P = 0.017）であった。根治的膀胱摘除術〔RC〕：ハザード比 0.36、P < 0.001）。放射線療法（ハザード比 0.79、P = 0.002）と化学療法（ハザード比 0.43、P < 0.001）も、独立した予後因子であった。8 つのモデルのうち、訓練セットと検証セットの両方で最も性能が高かったのは GBM であった。曲線下面積（AUC）は、訓練セット/検証セットの順に、1 年生存の予測で 0.846/0.737 であった。3 年生存の予測では 0.825/0.730、5 年生存では 0.816/0.742 であった。DCA では、幅広い閾値確率にわたって、より大きな臨床的正味利益が示された。較正曲線では、予測した結果と実際の結果がよく一致した。GBM から得たリスクスコアで層別化すると、高リスク群と低リスク群の生存に有意な差がみられた（P < 0.0001）。
結論：GBM による機械学習の予後モデルは、BNEC 患者の生存を予測するうえで比較的良好な性能を示した。このモデルは、患者ごとの予後評価とリスク層別化に役立つ可能性がある。ただし、多施設の前向きコホートでさらに検証する必要がある。
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：Qi S, Dong W, Shi Z, Sun Y, Zhang D, Liu C, et al. Development and validation of a machine learning-based model for predicting survival in patients with bladder neuroendocrine carcinoma: a large retrospective study. Front Oncol. 2026 Oct 27;16:1956255. doi:10.3389/fonc.2026.1956255.確認の範囲：抄録のみ確認