AIとがん研究 ── 乳がん ── 2026-11-01
乳がんの治療・治験とAI
- Predicting overall and breast cancer-specific survival: machine learning models and prognostic nomograms from a population-based registry抄録（全訳）
背景：乳がんは今も世界のがん死亡の主な原因の一つであり、ブラジルなどの中所得国では地域間の格差が大きい。マットグロッソ州では構造的な格差があり、専門医療を受けにくいことも、正確な予後評価の妨げとなっている。これらは、予後を正確に評価するうえでさらなる課題となっている。本研究の目的は、機械学習（ML）モデルと予後ノモグラムを開発し、内部検証することである。予測の対象は全生存期間（OS）と乳がん特異的生存期間（CSS）とした。あわせて、ブラジル・マットグロッソ州の患者のリスク層別化も目的とした。
方法：後ろ向きの集団ベースコホート研究である。データは集団ベースがん登録（RCBP、2001〜2018 年）から得て、死亡情報システム（SIM、2001〜2022 年）と確定的に連結した。生存予測モデルを 5 つ開発し、内部検証した。開発したのは、ML 生存モデル 4 つと従来の Cox 比例ハザード（CPH）モデルの、計 5 つである。ML 生存モデルは、Random Survival Forest（RSF）、Gradient Boosting Survival Analysis（GBS）、Survival Support Vector Machine（SSVM）、ComponentWise Gradient Boosting（CWGB）の 4 つである。データセットは訓練用とテスト用に 80:20 で層化分割した。モデルの性能は、コンコーダンス指数（C-index）、時間依存の曲線下面積（AUCt）、統合 Brier スコア（IBS）で評価し、信頼区間はブートストラップ法で求めた。最も性能が高かったモデルは、SHAP 値と、並べ替えに基づく特徴量重要度で解釈した。次に Cox モデルに基づくノモグラムを作り、1,000 回のブートストラップ再標本化で内部検証した。その後、リスク層別化と決定曲線分析を行い、臨床的有用性を評価した。
結果：OS と乳がん CSS のいずれでも、全体の性能は GBS が最も高かった。識別能は高く、較正も良好であった。OS では C-index 0.781（95% 信頼区間 0.776〜0.786）、AUCt 0.843、IBS 0.129 であった。CSS では C-index 0.790（95% 信頼区間 0.784〜0.796）、AUCt 0.852、IBS 0.120 であった。CPH の識別能は同程度だったが、全体として較正は劣っていた。ノモグラムの識別能は 1、3、5、10 年の各時点で安定しており、予測と実測の結果もよく一致した。ML モデルと Cox 由来のノモグラムのいずれでも、有意なリスク層別化ができた（ログランク P < 0.001）。SHAP 解析では、診断方法、腫瘍の形態、婚姻状況、教育水準、年齢が主要な予測因子として挙がった。
結論：本研究では、ML モデル（特に GBS）と Cox に基づくノモグラムが、OS と乳がん CSS について個別の予後予測能を示した。これらの手法は、効果的なリスク層別化に役立つ可能性がある。これらの手法は、死亡リスクの高い患者の特定に役立ち、実社会の公衆衛生の現場でリスクに応じた管理を行うための、拡張可能な枠組みとなりうる。
掲載誌の IF 相当：6.6（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Xavier SP, Victor A, Gotine AREM, das Neves MAB, Cardoso LB, de Albuquerque Maia FH, et al. Predicting overall and breast cancer-specific survival: machine learning models and prognostic nomograms from a population-based registry. BMC Med Inform Decis Mak. 2026 Oct 30 [Epub ahead of print]. doi:10.1186/s12911-026-03931-1.確認の範囲：抄録のみ確認 - TabSurv: Tabular foundation model for breast cancer prognosis using gene expression data抄録（全訳）
目的：乳がんの予後を個別に予測し、治療を決めるには、正確で頑健な生存予測が欠かせない。しかし、既存の機械学習による生存モデルは、コホートの不均一性や分布シフトのもとで安定性を欠くことが多い。また、表形式データ向けの基盤モデルは、打ち切りのあるイベント発生時間データに通常は対応していない。本研究の目的は、基盤モデルに基づく生存解析の枠組みを開発することである。右側打ち切りを明示的に扱い、課題ごとの再学習なしに、不均一なコホート間で安定して運用できる枠組みの開発を目的とした。
方法：提案する TabSurv は、基盤モデルに基づく生存解析の枠組みである。学習済みの表形式基盤モデルを、打ち切りのあるイベント発生時間の予測に適応させている。TabPFN を土台とし、文脈内学習（in-context learning）で動くため、勾配に基づく学習やハイパーパラメータの調整は行わない。打ち切りに対処するため、TabSurv は打ち切りを考慮した 2 段階の戦略を取り入れた。第 1 段階では、イベントが観察された患者のデータでモデルを学習し、打ち切り患者ごとに、もっともらしい生存時間を複数生成する。補完した時間は、いずれも観察された打ち切り時点より後である。第 2 段階では、補完済みの各データセットを文脈として使い、文脈内学習で予測する。最終結果は、これらの予測を統合して得る。その際、補完した生存時間の不確実性も考慮する。治療推奨では、打ち切りを扱えるランダムサバイバルフォレストのリスクスコアに、TabPFN 回帰モデルを文脈内で適合させる。これにより、治療を仮想的に割り当て直した場合の、各患者の予測リスクを推定する。
結果：乳がんの遺伝子発現コホート 12 件で、分布内と分布外の両方の設定の下、TabSurv を評価した。確立された生存モデル 8 種と比べ、予後予測の性能は同等か、それ以上であった。コホートが不均一な状況でも、予測の安定性は最も高かった。METABRIC での探索的な治療推奨実験では、治療が TabSurv の推奨と一致した患者で、制限付き平均生存時間の平均的な優位が、比較した手法のなかで最も大きかった。
結論：TabSurv は、基盤モデルに基づき、打ち切りのある生存解析を効率よく安定して行える手法である。不均一な乳がんコホートで、頑健な予後予測と個別化した治療推奨を支える。
掲載誌の IF 相当：6.3（OpenAlex の直近 2 年の平均被引用数・2026-10-31 時点の値、2026-11-01 に取得。正式な IF（Clarivate）ではない）書誌：Vu T, Tran HX, Li X, Pinero S, Liu L, Li J, et al. TabSurv: Tabular foundation model for breast cancer prognosis using gene expression data. Comput Methods Programs Biomed. 2027 Jan;288:109693. doi:10.1016/j.cmpb.2026.109693. PMID: 42962386.確認の範囲：抄録のみ確認