AIとがん研究 ── 肺がん ── 2026-10-31
肺がんの治療・治験とAI
- MRI-based intratumoral and peritumoral heterogeneity for predicting intracranial progression in EGFR-mutant lung adenocarcinoma patients with treatment-naive brain metastases receiving first-line third-generation EGFR-TKIs.抄録（全訳）
目的：対象は、初発時（de novo）から脳転移があるEGFR変異肺腺がんの患者である。一次治療として、第3世代（3rd-gen）EGFRチロシンキナーゼ阻害薬（EGFR-TKI）の単剤投与を受ける。この患者の頭蓋内進行を予測するため、マルチパラメトリックMRIのハビタット解析に基づく枠組みを開発し、外部テストを行った。枠組みには腫瘍内不均一性（ITH）、腫瘍周囲不均一性（PTH）、臨床的特徴を統合した。枠組みには、腫瘍内不均一性（ITH）、腫瘍周囲不均一性（PTH）、臨床的特徴を統合した。 対象と方法：多施設共同の後ろ向き研究である。対象と方法：本研究は後ろ向きの多施設研究である。初発時から脳転移があり、第3世代EGFR-TKI単剤の一次治療を受けたEGFR変異肺腺がん患者を組み入れた。患者は内部の学習コホート（n = 90）と外部のテストコホート（n = 51）に分けた。予測する二値のアウトカムは、治療開始から20か月以内に頭蓋内進行が起きたかどうかとした。治療前の造影T1強調像、T2強調像、拡散強調像を解析した。指標病変の脳転移と腫瘍周囲6 mmの領域をセグメンテーションし、ボクセル単位でハビタットにクラスタリングした。ハビタットごとにラジオミクス特徴量を抽出・選択し、3種類のシグネチャーを構築した。3種類とは、ITH、PTH、腫瘍内と腫瘍周囲を合わせたハビタット（PITH）の各シグネチャーである。臨床的な予測因子は、単変量・多変量ロジスティック回帰で評価した。サポートベクターマシンのモデルの評価には、受信者動作特性解析、決定曲線解析、キャリブレーション解析、Kaplan-Meier解析を用いた。
結果：解析対象は計141例で、病勢進行（PD）ありが75例、なし（non-PD）が66例であった。多変量ロジスティック回帰で、独立した予測因子が2つ見つかった。1つはEGFR変異サブタイプで、オッズ比（OR）2.390（95% 信頼区間 1.187〜4.811、P = 0.015）であった。もう1つは指標とした脳転移の最大径で、オッズ比 2.048（95% 信頼区間 1.204〜3.483、P = 0.008）であった。画像の不均一性特徴量に基づくモデルは、全体として臨床モデルを上回った。曲線下面積（AUC）は、臨床モデルで0.662、ITH、PTH、PITHの各モデルでそれぞれ0.715、0.724、0.758であった。統合モデルは良好な性能を示した（AUC 0.795、正確度 76.5%、感度 70.4%、特異度 83.3%）。統合モデルで高リスクと分類された患者は、低リスクと分類された患者より頭蓋内無増悪生存期間（iPFS）が有意に短かった（log-rank P = 0.019）。
結論：ITH、PTH、臨床的特徴を統合した今回の枠組みにより、頭蓋内進行リスクの予測と予後の層別化を非侵襲的に行える可能性がある。対象は、新たに脳転移（BM）と診断されたEGFR変異肺腺がんで、第3世代EGFR-TKI単剤を一次治療に受ける患者である。
掲載誌の IF 相当：8.3（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：Deng G, Li H, Dai Z, Fan J, Song X, Pang G, et al. MRI-based intratumoral and peritumoral heterogeneity for predicting intracranial progression in EGFR-mutant lung adenocarcinoma patients with treatment-naive brain metastases receiving first-line third-generation EGFR-TKIs. J Transl Med. 2026 Oct 17;24(1):1361. doi:10.1186/s12967-026-09109-7. PMID: 42958288.確認の範囲：抄録のみ確認 - Integrating Machine Learning to Identify Prognostic Subtypes and the Cisplatin Resistance Gene RRM2 in Lung Adenocarcinoma.抄録（全訳）
肺腺がん（LUAD）は浸潤性が高く、予後不良の悪性腫瘍である。しかし、LUADの信頼できる分子サブタイプと予後シグネチャーは十分に解明されていない。特に、腫瘍免疫や治療反応との関連がよく分かっていない。本研究の目的は、LUADの異なる分子サブタイプを特定し、頑健な予後シグネチャーを確立することである。あわせて、シスプラチン耐性に関わる治療標的の候補も探った。
10種類のクラスタリングアルゴリズムと101の機械学習手法を統合した結果、LUADに異なる2つの分子サブタイプが見つかった。あわせて、コンセンサス機械学習で導いた頑健なシグネチャー（CMLS）を確立した。Cluster Aサブタイプの患者は予後がより良好で、免疫応答も強かった。19遺伝子で構築したCMLSモデルは、高い予測力を示した。
CMLSスコアが高い患者では、CD4陽性T細胞の浸潤が少なく、生存成績が悪く、免疫療法への反応も弱かった。一方、スコアが低い患者では臨床転帰が良く、免疫療法への反応性も高かった。CMLSスコアが低い患者では、免疫学的に「hot」な腫瘍の表現型の特徴もみられた。
特定した遺伝子のうち、リボヌクレオチド還元酵素サブユニットM2（RRM2）が、LUADの予後に関わる中心的な調節因子として浮かび上がった。RRM2は肺がん組織とLUAD細胞株で発現が顕著に上昇し、シスプラチン（DDP）耐性と関連していた。RRM2の発現を抑えると、A549/DDP細胞のシスプラチン感受性が有意に高まった。
まとめると、本研究でLUAD患者を異なるリスク区分に層別化する分子分類器が確立された。また、RRM2はシスプラチン耐性に関連する有望なバイオマーカー・治療標的として注目される。
掲載誌の IF 相当：2.4（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：Huang H, Tao T, Li Z, Zhai K, Cui B, Feng H, et al. Integrating Machine Learning to Identify Prognostic Subtypes and the Cisplatin Resistance Gene RRM2 in Lung Adenocarcinoma. Thorac Cancer. 2026 Oct 30;17(21):e70407. doi:10.1111/1759-7714.70407. PMID: 42958928.確認の範囲：抄録のみ確認