AIとがん研究 ── 2026-10-31
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）。
分類の共通: がん一般（2）
血液腫瘍: AML（0） · CML（0） · ALL（0） · CLL（0） · リンパ腫（0） · 多発性骨髄腫（0）
固形がん: 乳がん（2） · 肺がん（2） · 膵がん（0） · 前立腺がん（0） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（0） · 腎臓がん（0） · 膀胱がん（1）
希少癌: 腺様嚢胞癌（0）
がん一般の分子生物学の進展とAI
- Integrative machine learning analysis of bulk and single-nucleus RNA sequencing reveals key cell types and biomarkers driving MASH-associated fibrosis抄録（全訳）
背景：代謝機能障害関連脂肪肝炎（MASH）は、肝硬変と肝がんのリスクを高める。有害な転帰を最も大きく左右するのは肝線維化である。しかし、MASH で線維化が進む分子機序は十分に解明されていない。
方法：4 つのバルク RNA-seq データセットを統合してコホート（MergeCohort）を作り、単一核 RNA シーケンス（snRNA-seq）データセット 1 つも解析した。MASH の線維化に関わる中核遺伝子は、Robust Rank Aggregation（RRA）、重み付き遺伝子共発現ネットワーク解析（WGCNA）、機械学習を組み合わせて特定した。さらに、メチオニン・コリン欠乏（MCD）食で MASH モデルマウスを作り、ハブ遺伝子の発現を定量的リアルタイム PCR（qRT-PCR）で確かめた。線維化の段階が異なる MASH 患者の肝組織について、単一核トランスクリプトーム解析で細胞の不均一性を調べた。この解析で細胞の不均一性を詳しく調べ、細胞間コミュニケーションのネットワークを再構築した。MASH 関連線維化に関わる主要な転写因子（TF）と、受容体・リガンド相互作用の特徴も明らかにした。
結果：MergeCohort で WGCNA を行い、MASH の線維化進行に関わる主要な遺伝子ネットワークモジュールを 2 つ検出した。機械学習アルゴリズムを組み合わせて、中核遺伝子 7 個（CAPN6、FAP、KRT23、SOX4、STMN2、TAGLN、VWF）を見いだした。これらは線維化の段階を良好に判別でき、別の外部コホートでの曲線下面積（AUC）は 0.81（95% 信頼区間 0.69〜0.93）であった。また、MCD 食で誘導した MASH モデルマウスの肝組織でも、CAPN6、FAP、KRT23 の発現は同じ方向に上昇していた。 次に細胞型デコンボリューション解析を行い、WGCNA の主要モジュールに主な細胞型を割り当てた。該当する細胞型は、肝星細胞（HSC）、胆管細胞、肝細胞、マクロファージである。単一核レベルでは、FGF13 + 胆管細胞と SAAs + 肝細胞の亜集団を特定した。転写因子レギュロン解析では、主要な TF として CREB5 と STAT3 を特定した。転写因子の CREB5 と STAT3 は、FGF13 + 胆管細胞と SAAs + 肝細胞で調節的な役割を担う可能性がある。 細胞間コミュニケーション解析では、MASH の肝線維化の進行に関わる重要なリガンド・受容体ペアも分かった。HSC と FGF13 + 胆管細胞の間では、VEGFA_NRP1 軸と APP_CD74 軸が見つかった。SAAs + 肝細胞と HSC の間では、RSPO3_LGR4 軸と IGF1_IGF1R 軸が見つかった。SAAs + 肝細胞とマクロファージの間では、TNFSF14_TNFRSF14 軸と SELE_CD44 軸が見つかった。 結論このシグネチャーは、新しい治療戦略の開発の手がかりとなる可能性がある。また、MASH の進行した線維化に関連する組織シグネチャーとして役立つ可能性もある。
掲載誌の IF 相当：4.8（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）書誌：Zhang J, Wang J, Shen Y, Zhang Y, Luo Z, Kong X, et al. Integrative machine learning analysis of bulk and single-nucleus RNA sequencing reveals key cell types and biomarkers driving MASH-associated fibrosis. Front Cell Dev Biol. 2026 Oct 29;14:1961567. doi:10.3389/fcell.2026.1961567.確認の範囲：抄録のみ確認 - Novel liquid biopsy based on comprehensive small RNA profiling for screening of cancer in dogs utilizing machine learning.抄録（全訳）
背景：最近の研究で、マイクロ RNA（miRNA）以外のさまざまな低分子 RNA もがんに関わることが示されている。しかし、これらの RNA を包括的に使ったイヌのがん検出は、まだ検討されていない。 仮説・目的 独自データベースを使って miRNA とそれ以外の低分子 RNA を組み合わせると、機械学習によるイヌのがんスクリーニングの精度が miRNA のみのモデルより上がるかを調べた。 動物内訳は、がん 85 頭、非悪性疾患 77 頭、健康対照 227 頭である。
方法：血液検体中の低分子 RNA の配列を決定した。miRNA は miRBase で、それ以外の低分子 RNA は独自データベースでプロファイリングした。このプロファイルから、miRNA のみのデータセットと、miRNA とそれ以外の低分子 RNA を合わせたデータセットの 2 つを用意した。性能を対応のある形で比較できるよう、各データセットで同じ方法により 12 種類の分類モデルを構築した。主要な評価指標は、5 分割交差検証と受信者動作特性曲線下面積（AUC）とした。
結果：miRNA とそれ以外の低分子 RNA を統合したモデルの AUC は、miRNA のみのモデルより有意に高かった（AUC 中央値 0.926［95% 信頼区間 0.911〜0.944］対 0.881［0.860〜0.897］、Wilcoxon 符号順位検定、P < 0.001）。これは、イヌの悪性腫瘍を判別する能力が高まったことを示している。 結論と臨床的意義独立コホートでのさらなる前向き検証は必要である。ただし今回の結果は、この方法でイヌのがん分類モデルの性能が向上することを示している。
掲載誌の IF 相当：3.4（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：Harako S, Yuki M, Noguchi S, Ohno T, Nozaki N, Nishida R, et al. Novel liquid biopsy based on comprehensive small RNA profiling for screening of cancer in dogs utilizing machine learning. Journal of Veterinary Internal Medicine. 2026 Oct 30;40(5):aalag270. doi:10.1093/jvimsj/aalag270.確認の範囲：抄録のみ確認
血液腫瘍
急性骨髄性白血病（AML）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。
慢性骨髄性白血病（CML）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。
急性リンパ性白血病（ALL）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。
慢性リンパ性白血病（CLL）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。
リンパ腫の治療・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。
多発性骨髄腫の治療・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。
固形がん
乳がんの治療・治験とAI
- Multiscale Peritumoral Ultrasound Machine Learning Scores and Pathological Response to Neoadjuvant Therapy in Breast Cancer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 - Pre-chemotherapy machine learning models for predicting grade III/IV chemotherapy-induced neutropenia in breast cancer: training on cycle 1 and cross-cycle evaluation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
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
膵がんの治療・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。
前立腺がんの治療・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。
脳腫瘍の治療・治験とAI
- Craniopharyngioma.AI: An Explainable Ensemble Learning Framework for Personalized Craniopharyngioma Outcome Prediction抄録（全訳）
序論：頭蓋咽頭腫は、トルコ鞍・鞍上部に生じるまれな腫瘍である。術後の長期的な合併症には、永続性尿崩症（DI）や腫瘍再発がある。既存の臨床ツールでは、個々の患者に合わせた予後予測に限界がある。本研究では、頭蓋咽頭腫手術の術後転帰について仮説を立てるパイロット版の人工知能（AI）プラットフォームを示す。
方法：2008〜2023年に単一施設で外科的切除を受け、組織学的に確定した頭蓋咽頭腫の患者を後ろ向きに解析した。臨床・画像・術中の特徴量（腫瘍の寸法、体積、脳室内進展、手術アプローチ、切除範囲など）を機械学習アルゴリズムでモデル化した。統一したアンサンブルのパイプラインを用い、永続性DIと腫瘍再発を予測した。特徴量には、腫瘍の寸法、体積、脳室内進展、手術アプローチ、切除範囲などを含めた。説明可能AIによる解釈にはShapley Additive Explanations（SHAP）を用い、個々の特徴量の寄与を定量した。その結果をFastAPIで動くウェブアプリケーションに組み込み、対話的に予測できるようにした。
結果：59例を層化交差検証によるモデル学習に用いた。このうち永続性DIが65.5%に発生し、腫瘍再発が28.8%で記録された。永続性DIの予測で最も性能が高かったのは、RidgeとCatboostを混合したアンサンブルであった（曲線下面積（AUC）0.77±0.05、F1 0.81±0.04）。再発の予測には、Naïve BayesとCatboostを混合したアンサンブルを選んだ（AUC 0.78±0.12、F1 0.67±0.15）。SHAPによる特徴量の順位付けでは、DIと再発の最も強い予測因子は、術前の体格指数（BMI）、年齢、内分泌または視覚の機能障害であった。手術アプローチと術後のBMI変化も、DIリスクをさらに左右した。アプリはtinyurl.com/craniopharyngiomasで利用できる。
結論：小規模な単一施設のこのコホートでは、アンサンブル学習とモデルの調整が精度と識別能の安定に役立った。この探索的な予後予測AIプロトタイプは、いずれ頭蓋底腫瘍学でデータに基づくリスク評価を支援する可能性がある。
掲載誌の IF 相当：0.1（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：Babel S, Patel A, Parasher A, Tabor M, Agazzi S, van Loveren H, et al. Craniopharyngioma.AI: An Explainable Ensemble Learning Framework for Personalized Craniopharyngioma Outcome Prediction. J Neurol Surg B Skull Base. 2026 Oct 29 [Epub ahead of print]. doi:10.1055/a-2992-8671.確認の範囲：抄録のみ確認 - Ki-67/p53-associated angiogenic heterogeneity for preoperative WHO grading of meningiomas: a spatial habitat radiomics study.抄録（全訳）
目的：髄膜腫のWHOグレードを術前に予測する分類モデルを開発し、検証することを目的とした。このモデルは空間ハビタット・ラジオミクスに基づくもので、Ki-67とp53というバイオマーカーで説明できる。
方法：単一施設の後ろ向きコホート400例（WHOグレードI 261例、グレードII/III 139例）を解析した。造影される腫瘍を、3D Simple Linear Iterative Clusteringアルゴリズムで、生物学的に異なる3つの部分領域（低造影・中間造影・高造影）に分割した。ラジオミクス特徴量と臨床・画像特徴量は、Ki-67 ≥ 5%とp53 ≥ 5%の両方に関連するものを選択した。続いて、WHOグレードを術前に予測する分類モデルを3つ構築した。臨床・画像モデル（C-model）、腫瘍全体のラジオミクスモデル（CRW-model）、部分領域に基づくラジオミクスモデル（CRS-model）である。性能は、学習コホート（n = 280）とテストコホート（n = 120）で、曲線下面積（AUC）により評価した。
結果：空間ハビタット・ラジオミクスの予測力は、バイオマーカーごとに異なっていた。Ki-67の予測では、高造影の部分領域のAUCが最も高かった（学習 0.81、テスト 0.70）。p53の予測では、低造影の部分領域が優れていた（学習 0.93、テスト 0.57）。CRS-modelのAUCは、学習コホート、テストコホートのいずれでも最も高かった。学習コホートのAUCはCRS-model 0.89、CRW-model 0.80、C-model 0.76であった。テストコホートのAUCは、同じ順に0.76、0.68、0.67であった。学習コホートでは、Bonferroni補正後もCRS-modelがCRW-modelとC-modelを有意に上回った（補正後 p = 0.000450、7.06 × 10⁻⁷）。テストコホートでもCRS-modelのAUCは数値上高かったが、補正後の差は統計学的に有意ではなかった（補正後 p = 0.0891、0.0918）。
結論：空間ハビタット・ラジオミクスは、Ki-67とp53の発現に関連する腫瘍内微小環境の不均一性の把握に役立つ可能性がある。また、髄膜腫の術前WHOグレード分類に、生物学的に解釈できる枠組みを与える可能性もある。
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：Xie H, Peng X, Chen X, Yu Y, Yi Z, Meng W, et al. Ki-67/p53-associated angiogenic heterogeneity for preoperative WHO grading of meningiomas: a spatial habitat radiomics study. BMC Med Imaging. 2026 Aug 3;26(1):562. doi:10.1186/s12880-026-02632-5. PMID: 42958086.確認の範囲：抄録のみ確認
卵巣がんの治療・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。
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
この号では、新しい該当論文はありませんでした。
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
- Deep learning-based multiomics integration identifies AI-defined tissue regions associated with cancer-associated fibroblast enrichment and chemoresistance in muscle-invasive bladder cancer抄録（全訳）
筋層浸潤性膀胱がん（MIBC）は、白金製剤を使う化学療法に耐性を生じることが多い。しかし、治療に関連する腫瘍微小環境の特徴を調べる手段はまだ限られている。
本研究では、人工知能（AI）を用いた枠組みを開発した。この枠組みは、病理画像、マルチオミクスデータ、単一細胞 RNA シーケンス、ex vivo 薬剤感受性試験を統合したものである。
The Cancer Genome Atlas（TCGA）のヘマトキシリン・エオジン染色全スライド画像で、畳み込みニューラルネットワークのモデルを 3 つ学習させた。各モデルは腫瘍、壊死、リンパ球に富む領域を分類する。性能は独立した組織マイクロアレイコホートで評価した。
3 つの分類器すべてで陰性だったパッチは、AI 定義の「Other」領域とした。この残余カテゴリーは、がん関連線維芽細胞（CAF）を分類するよう学習させたものではない。
単変量解析では、Other% が高いと全生存期間が短いという関連がみられた。ただし TCGA では、多変量で調整すると、この関連は有意ではなかった。マルチオミクス解析と組織起源解析では、Other% と間質成分の量に関連がみられた。
8 つの単一細胞 RNA シーケンスデータセットに Scissor 解析を行った。その結果、Other に関連する Scissor+ 細胞が、上皮と線維芽細胞の両区画にわたって同定された。また、ACTA2 の発現と細胞外マトリックス再構築に関わる経路の濃縮もみられた。
MIBC の 48 検体をハイドロゲル包埋組織培養薬剤感受性試験で評価した。その結果、Other% はゲムシタビン・シスプラチン耐性群で高かった。さらに多重免疫蛍光染色で、AI 定義の Other 領域に α 平滑筋アクチンのシグナルが濃縮していることが分かった。
エルダフィチニブは、一部の検体で ex vivo において活性を示した。ただし、FGFR 異常の有無に関するデータは得られておらず、臨床での有効性は評価していない。
これらの結果は、AI 定義の Other 領域、CAF に関連する間質の特徴、化学療法耐性の三者の関連を支持する。一方、臨床で使うには前向きの検証が必要である。
掲載誌の IF 相当：3.7（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：Hu C, Wang F, Zhang Q, Xu H, Huang J, Xiong X, et al. Deep learning-based multiomics integration identifies AI-defined tissue regions associated with cancer-associated fibroblast enrichment and chemoresistance in muscle-invasive bladder cancer. Funct Integr Genomics. 2026 Oct 29;26(1):308. doi:10.1007/s10142-026-02086-6. PMID: 42955415.確認の範囲：抄録のみ確認
希少癌
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。