AIとがん研究 ── 乳がん ── 2026-10-31

対象誌と選び方は索引の頁に

乳がんの治療・治験とAI

• マルチスケールの腫瘍周囲超音波機械学習スコアと乳がん術前療法の病理学的奏効
  Multiscale Peritumoral Ultrasound Machine Learning Scores and Pathological Response to Neoadjuvant Therapy in Breast Cancer
  Diagnostics · 2026-10-29 · 証拠の段階: 観察研究（独立した検証は未実施）
  抄録（全訳）

  背景・目的 腫瘍周囲の超音波画像は、治療感受性に関わる組織の特徴をとらえられる可能性がある。この研究では、悪性に関連する予測スコア（PS）が、乳がんの術前療法に対する病理学的奏効と関連するかを調べた。

  方法：病理学的に確定した 1716 病変を使い、腫瘍周囲 1、3、5、7 mm の領域ごとにサポートベクターマシン分類器を開発した。術前療法と手術を終えた患者 132 例で、PS と術後の Miller–Payne（MP）グレードの関連を評価した。解析には順序ロジスティック回帰を用いた。調べた項目は、全体の関連、ホルモン受容体（HR）状態および Ki67 との交互作用、両者で調整した治療別の関連である。多重検定には Holm 補正を用いた。7 mm の分類器は、奏効を調べたコホート以外の患者 1584 例で再適合した。その際、最初に選んだ特徴量は変えずに残した。

  結果：全体では、7 mm の PS が高いほど MP グレードが低かった（0.1 単位増加あたりのオッズ比（OR）0.79、95% 信頼区間 0.66〜0.95、Holm 調整 P = 0.048）。HR 状態および Ki67 との交互作用は、1 mm で有意なままだった（調整 P = 0.049、0.036）。化学療法と抗 HER2 療法の併用を受けた完全症例 60 例では、元の 7 mm PS は調整後も MP グレードと関連していた（OR 0.60、95% 信頼区間 0.42〜0.85、調整 P = 0.037）。再適合した PS では、これらの患者での関連が弱まった（OR 0.709、95% 信頼区間 0.526〜0.955、補正前 P = 0.0239、Holm 調整 P = 0.0478）。元の分類器のテストサブセット（n = 22〜26）での関連は、補正後に有意でなかった。

  結論：7 mm スコアは、化学療法と抗 HER2 療法の併用中の奏効評価で、HR と Ki67 を補完できる可能性がある。1 mm での交互作用からは、分子的特徴によって違いがあることが示唆される。これらの所見には独立した検証が必要である。

  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、2026-10-31 に取得。正式な IF（Clarivate）ではない）
  書誌：Wang Y, Shi A, Lian J, Liang R, Wang J, Jiang J. Multiscale Peritumoral Ultrasound Machine Learning Scores and Pathological Response to Neoadjuvant Therapy in Breast Cancer. Diagnostics. 2026 Oct 29;16(21):3580. doi:10.3390/diagnostics16213580.
  確認の範囲：抄録のみ確認
• 乳がんのグレード III/IV 化学療法誘発性好中球減少症を予測する化学療法前の機械学習モデル：第 1 サイクルでの学習とサイクル横断評価
  Pre-chemotherapy machine learning models for predicting grade III/IV chemotherapy-induced neutropenia in breast cancer: training on cycle 1 and cross-cycle evaluation
  Supportive Care in Cancer · 2026-10-29 · 証拠の段階: 後ろ向きの観察研究
  抄録（全訳）

  グレード III/IV の化学療法誘発性好中球減少症（CIN）は、乳がん化学療法の重い合併症である。既存の予測モデルは化学療法後の検査値に頼ることが多く、処方の時点では使いにくい。この研究では、化学療法前のデータだけでグレード III/IV の CIN を予測する機械学習（ML）モデルの開発を目指した。同じコホート内で、サイクル間の安定性も評価することを目的とした。

  2011 年 9 月から 2025 年 1 月までに化学療法を受けた乳がん患者を後ろ向きに解析した。入力には化学療法前の変数だけを用いた。第 1 サイクルの記録は、学習用（80%）と内部検証用（20%）に分けた。第 2〜8 サイクルの記録は、サイクルをまたぐテストセットとした。候補となる ML 分類器 9 種を評価した。ハイパーパラメータ調整、Youden 指数による閾値の最適化、キャリブレーション、決定曲線解析、SHAP による特徴量の寄与、サイクルごとの曲線下面積（AUC）を評価した。

  第 1 サイクルの検証セットでは、調整後の Logistic L1 モデルの AUC は 0.760（95% 信頼区間 0.703〜0.812）、Extra Trees モデルの AUC は 0.763（95% 信頼区間 0.707〜0.815）だった。第 2〜8 サイクルを合わせたサイクル横断テストセットでは、AUC はそれぞれ 0.746（95% 信頼区間 0.727〜0.764）と 0.729（95% 信頼区間 0.709〜0.748）だった。Logistic L1 は、どのサイクルでも AUC 0.70 超を維持した。SHAP による寄与の解析では、docetaxel と epirubicin が主要な予測因子だった。薬剤以外の臨床的特徴量では、ベースラインの好中球数、総ビリルビン、アルブミンが上位を占め、特に Logistic L1 でこの傾向があった。

  化学療法前のデータだけで学習したモデルは、同じコホート内の後続サイクルに適用しても、おおむね同程度の判別能を保った。Logistic L1 はサイクル間の判別能がより安定していた。この結果は、サイクルごとの前向きなリスク層別化を支持する。サイクルごとの前向きなリスク層別化は、顆粒球コロニー刺激因子（G-CSF）の予防投与と用量変更の判断を支える。

  掲載誌の IF 相当：2.0（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）
  書誌：Lin M, Weng Y, Chen W, Cai C, Wu Y, Guo J, et al. Pre-chemotherapy machine learning models for predicting grade III/IV chemotherapy-induced neutropenia in breast cancer: training on cycle 1 and cross-cycle evaluation. Support Care Cancer. 2026 Oct 29;34(11):1173. doi:10.1007/s00520-026-11402-6. PMID: 42955369.
  確認の範囲：抄録のみ確認

← この号の目次へ