AIとがん研究 ── 肺がん ── 2026-11-01

対象誌と選び方は索引の頁に

肺がんの治療・治験とAI

• 機械学習による、肺腺がんから小細胞肺がんへの形質転換状態と薬剤反応シグネチャーの層別化
  Machine learning stratification of LUAD-to-SCLC transformation states and drug-response signatures
  npj Systems Biology and Applications · 2026-10-30 · 証拠の段階: 後ろ向きの観察（既存のマウス・ヒトデータの再解析、仮説生成）
  抄録（全訳）

  肺腺がん（LUAD）から小細胞肺がん（SCLC）への組織学的形質転換は、EGFR チロシンキナーゼ阻害薬への獲得耐性の仕組みとして臨床的に重要である。ただし、この系統転換に関わる制御プログラムは、まだ十分に解明されていない。本研究では、マウスとヒトのシングルセルおよびバルクのトランスクリプトームデータを再解析した。そして、13 個のレギュロンからなる組織学的形質転換レギュロンシグネチャー（Histologic Transformation Regulon Signature、HTRS）を定義した。さらに機械学習の枠組み TransRiskML を開発した。これにより、LUAD 検体を HTRS の低・中・高の 3 つの分子状態に層別化できる。

  独立した複数のコホートで、HTRS が高い腫瘍は生存が不良で、SCLC に似た転写の特徴が強かった。ゲノムの特徴や、トランスクリプトームから推定した薬剤反応パターンも、異なっていた。HTRS は形質転換に関連する分子状態をとらえ、これはどのコホートでも、一般的な増殖活性とほぼ独立していた。ただし進行期の非小細胞肺がん（NSCLC）では、予後シグナルへの増殖の寄与が大きく、調整すると関連が弱まった。下流の解析用に、簡略化した 15 遺伝子の代替スコアも作成した。探索的な病理検討では、形質転換前の LUAD と形質転換後の SCLC の検体で、腫瘍細胞核の HDAC2 染色がより強い傾向が示唆された。

  これらの知見は、形質転換に関連する分子状態を層別化する、システムレベルの枠組みを与える。また、LUAD から SCLC への系統可塑性を前向きに調べるうえで、優先すべき制御因子の候補も示された。この枠組みは仮説の生成を目的としたものである。臨床的有用性を判断するには、形質転換の転帰を記録した前向き研究が必要である。

  掲載誌の IF 相当：5.1（OpenAlex の直近 2 年の平均被引用数・2026-10-31 時点の値、2026-11-01 に取得。正式な IF（Clarivate）ではない）
  書誌：Tang M, Yang J, Zhang X, Zhang B, Jiang L, Bao J, et al. Machine learning stratification of LUAD-to-SCLC transformation states and drug-response signatures. npj Syst Biol Appl. 2026 Oct 30 [Epub ahead of print]. doi:10.1038/s41540-026-00845-6.
  確認の範囲：抄録のみ確認
• 肺がんの適応放射線治療に向けた、不確実性を考慮する深層学習位置合わせモデル
  An uncertainty-aware deep learning-based registration model for adaptive lung cancer radiotherapy
  Physics in Medicine and Biology · 2026-10-30 · 証拠の段階: 画像データセットを用いたモデル開発・検証
  抄録（全訳）

  目的：用途は、肺がんの磁気共鳴画像誘導放射線治療（MRgRT）で、不確実性を考慮した線量蓄積を行うことである。

  方法：このモデルは、密な変位場（DDF）のボクセルごとの平均と分散を予測する。TM-prob のモデルを 2 つ学習させた。学習には、内部の CT データセット（725 例）と、低磁場 MR リニアック（MRI 一体型の放射線治療装置）のデータセット（102 例）を用いた。 比較対象は、モンテカルロドロップアウト版 TransMorph（TM-MCD）と、B スプライン初期化の DIRUncertainty（ASDIR）である。比較には 2 つのデータセットを用いた。評価データの 1 つは、DIRLAB の 4DCT（四次元 CT）データセット（10 例、ランドマーク 3000 点）である。もう 1 つは、標的と 7 つのリスク臓器（OAR）の輪郭を付けた MR リニアックデータセット（16 例、画像ペア 107 組、ランドマーク 227 点）である。両データセットには、アルゴリズムで生成したランドマークもそれぞれ 1239 点、13,289 点含まれる。 評価指標は次のとおりである。標的位置合わせ誤差（TRE）、Dice 類似係数（DSC）、ランドマーク単位の期待較正誤差（LECE）、ボクセル単位の期待較正誤差（ECE）、線量分布である。線量分布は、患者ごとに 2000 個の DDF サンプルから求めた。 主な結果:ASDIR は 1.3 mm／2.4 mm、TM-MCD は 2.1 mm／3.0 mm であった。 MRI データセットでは、TM-prob の TRE 中央値は 3.9 mm／2.6 mm、平均 DSC は 0.87 であった。これは ASDIR（3.3 mm／2.7 mm、DSC 0.87）と同等で、TM-MCD（4.4 mm／2.9 mm、0.84）を上回った。 不確実性の較正を見ると、MRI での TM-prob の LECE は、手動ランドマークで 1.74 mm、アルゴリズム生成ランドマークで 0.30 mm であった。同じ順に、ASDIR は 2.41 mm と 0.56 mm、TM-MCD は 6.65 mm と 3.92 mm であった。輪郭の平均 ECE は、TM-prob が 5.8%、ASDIR が 7.0%、TM-MCD が 21.2% であった。 肉眼的腫瘍体積（GTV）の境界が不明瞭な 2 例では、標的の D95（95% 体積線量）の分布が大幅に広かった。この結果は、較正された DDF の不確実性が、臨床的に意味のある線量カバレッジの不確実性につながることを示している。

  意義：肺がん患者の画像を、高速に、不確実性を考慮して位置合わせでき、その較正も良好である。オンライン適応放射線治療の臨床判断に向けて、DDF の不確実性を信頼できる形で線量蓄積へ伝播できる。

  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：Wei C, Radonic D, Klaar R, Hohmann N, Marschner S, Eze C, et al. An uncertainty-aware deep learning-based registration model for adaptive lung cancer radiotherapy. Phys Med Biol. 2026 Oct 30 [Epub ahead of print]. doi:10.1088/1361-6560/aebc09. PMID: 42962374.
  確認の範囲：抄録のみ確認

← この号の目次へ