AIとがん研究 ── 2026-11-01
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（1）
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（1） · 子宮体がん（1） · 胃がん（0） · 肝臓がん（0） · 腎臓がん（2） · 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
- New heuristic method for cancer classification using gene expression data.抄録（全訳）
背景：本研究の目的は、がんを分類する新しい特徴選択法を開発し、評価することである。この手法は、局所探索アルゴリズムに基づく特徴選択法（LSFS）に遺伝的アルゴリズム（GA）を組み合わせたもので、高次元の遺伝子発現データに用いる。
方法：研究期間は 2022〜2024 年で、2 つの医学研究センター（ブルガリアのソフィア、ロシアのモスクワ）のデータを用いた。6 つの公開データセットを元データとし、30,000 件を超える患者記録を解析した。データセットには、GEO と TCGA のデータベースから得た血液がん、乳がん、結腸がんなどの情報が含まれる。解析の前処理として、正規化、外れ値の除去、対数変換などを行った。提案手法の有効性は、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなどの最新の機械学習アルゴリズムで評価した。
結果：LSFS + GA 法で、正確度、感度、特異度などの分類指標を最大化できることが分かった。具体的には、データセットにより、分類の正確度は 8〜15%、感度は 10〜20%、特異度は 5〜10% 改善した。データのノイズも 12〜18% 減った。モデルの有効性はエントロピーの低下で示され、分類の確信度が 6〜9% 高まったことを表す。交差検証や分散分析（ANOVA）などの統計解析で、新手法による改善の統計的有意性が確認された（P < 0.05）。
結論：開発したアルゴリズムでは、分類の正確度を維持または向上させながら、計算の複雑さを大幅に減らせる。より信頼性の高い結果を得やすくなるため、この点はがんデータの解析で重要である。本研究の結果は、局所探索法と遺伝的アルゴリズムの組み合わせが、バイオインフォマティクスの高次元分類問題に役立つ可能性を示している。
掲載誌の IF 相当：5.3（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：Gu S, Savina T, Monov D, Gorozhanina E. New heuristic method for cancer classification using gene expression data. Cancer Imaging. 2026 Aug 19;26(1):151. doi:10.1186/s40644-026-01111-y. PMID: 42963784.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
- 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
肺がんの治療・治験とAI
- Machine learning stratification of LUAD-to-SCLC transformation states and drug-response signatures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 - An uncertainty-aware deep learning-based registration model for adaptive lung cancer radiotherapy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
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
- Performance of intraoperative AI-assisted Label-Free Stimulated Raman Histology in Recurrent Brain Tumors抄録（全訳）
背景：治療で組織が変化するため、再発中枢神経系（CNS）腫瘍の術中診断は難しくなる。そこで、誘導ラマン組織イメージング（SRH）と畳み込みニューラルネットワーク（CNN）を組み合わせ、腫瘍の迅速な検出と分類を評価した。
方法：二施設の観察研究である。対象は、CNS 腫瘍の再発が疑われて切除または定位生検を受けた患者である。その新鮮組織を、ファイバーレーザー方式の SRH で撮像した。CNN1 は腫瘍か非腫瘍かの二値予測を行い、CNN2 は組織型を分類した。CNN1 は、盲検下の神経病理医による SRH のコンセンサスを基準に評価した。CNN2 は、最終的な統合病理組織診断と比べて評価した。
結果：CNN1 の腫瘍検出の曲線下面積（AUC）は 0.975（95% 信頼区間 0.95〜1.00）であった。このコホートから探索的に求めた腫瘍確率の閾値（59 以上）を用いると、特異度は 70.7% から 92.0% に上がった。このとき感度は 95.2% を維持し、放射線壊死の検体の 71.4% を識別した。 治療サブグループ解析の対象は 212 枚である。CNN1 の正解率に既治療群間で有意差はなかった（全体 90.1%、P = 0.080）。CNN2 の正解率は、手術のみの後では 61.8% だったが、手術・放射線治療・薬物治療の後では 39.0% に下がった（χ² = 6.04、P = 0.049）。集学的治療は、CNN2 の正しい予測のオッズ低下と独立に関連した。調整オッズ比は 0.10（95% 信頼区間 0.02〜0.39、P = 0.001）と 0.04（95% 信頼区間 0.01〜0.20、P < 0.001）であった。 120/382 枚（31.5%）は、診断に十分な品質ではなかった。品質管理の閾値を適用していれば、84/120 枚（70.0%）は除外されていた。
結論：画質が十分であれば、CNN1 は治療サブグループのいずれでも、腫瘍と非腫瘍の高い判別能を保った。一方、CNN2 の腫瘍型分類の性能は、治療強度が上がるほど低下した。再発腫瘍で SRH による信頼できる診断を行うには、検証済みの画質管理策が必要である。再発疾患に合わせたモデルの調整も必要である。
掲載誌の IF 相当：1.2（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：Fürtjes G, Al Shughri A, Stehle T, Reinecke D, Meißner AK, Jung N, et al. Performance of intraoperative AI-assisted Label-Free Stimulated Raman Histology in Recurrent Brain Tumors. Neuro-Oncology Advances. 2026 Oct 29 [Epub ahead of print]. doi:10.1093/noajnl/vdag267.確認の範囲：抄録のみ確認 - Differentiating True Progression from Pseudoprogression in Glioblastomas: Dynamic Contrast Enhanced-MRI Habitat Analysis with Parsimonious Pharmacokinetic Model抄録（全訳）
背景：膠芽腫（GBM）では、真の進行（TP）と偽進行（PsP）の区別がまだ難しい。どちらも治療後の MRI で、判定の難しい造影病変として現れることが多いためである。ただし、ダイナミック造影（DCE）MRI にクラスタリングや機械学習などの解析手法を組み合わせる方法は、TP と PsP の区別に有望である。
方法：TP 53 例、PsP 29 例の計 82 例の DCE-MRI データを、5 つの薬物動態モデルで定量解析した。続いて、ボクセルごとに最も適合するモデルを、最節約的な選択法で決めた。次に、K-means++ によるクラスタリングで、ピクセルを低・中・高強度の領域に分類した。腫瘍は自動 nnU-Net アルゴリズムで造影域、非造影域、浮腫域に分割し、これらの領域からクラスターを抽出した。 分類器の入力変数には、クラスタリング解析で得た有意な特徴量、DCE-MRI パラメータの記述統計量（平均、中央値、歪度）、腫瘍体積を用いた。最後に、5 種類の機械学習分類器で TP と PsP を鑑別した。
結果：DCE-MRI データの単変量クラスタリング解析で、Ktrans、Ve、Vp、τi と腫瘍体積が、TP と PsP の区別に有意なパラメータと分かった。多変量クラスタリングでは、高 Ktrans と高 Ve の組み合わせが重要な鑑別変数と分かった。これらのパラメータで試した機械学習分類器のうち、診断性能が最も高かったのはランダムフォレストである。正解率は 83%、曲線下面積（AUC）は 0.85 であった。
掲載誌の IF 相当：1.2（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：Basak S, Bera S, Misra SN, Rajan A, Poptani H, Chawla S, et al. Differentiating True Progression from Pseudoprogression in Glioblastomas: Dynamic Contrast Enhanced-MRI Habitat Analysis with Parsimonious Pharmacokinetic Model. Neuro-Oncology Advances. 2026 Oct 29 [Epub ahead of print]. doi:10.1093/noajnl/vdag254.確認の範囲：抄録のみ確認
卵巣がんの治療・治験とAI
- Platinum sensitivity and overall survival stratification in epithelial tubo-ovarian carcinoma: a comparative evaluation of large language models and gynaecological oncologists抄録（全訳）
背景：プラチナ感受性は、上皮性卵管卵巣がんの重要な予測因子かつ予後因子である。しかし、多職種の腫瘍ボードの段階で早期に予後を見積もることは、まだ難しい。大規模言語モデル（LLM）は構造化されていない臨床記述を処理できるが、婦人科腫瘍学で予後予測に役立つかはまだ分かっていない。そこで、腫瘍ボードのベースラインデータからプラチナ感受性と全生存期間（OS）を予測する性能を、最新の LLM と婦人科腫瘍医で比較した。
方法：上皮性卵管卵巣がん患者 69 例を対象とする後ろ向きコホート研究である。標準化した症例記述（ビネット）を、5 つのモデルと、異なる施設の婦人科腫瘍医 3 名がそれぞれ独立に評価した。モデルには同一のプロンプトを用いた。 モデルと専門医は、いずれも次の 3 項目を分類した。 - プラチナ感受性（一次プラチナ製剤治療後の再発が 6 か月以内か、6 か月超か） - OS（2 年未満、2〜5 年、5 年超） - 確信度（低、中、高） 探索的解析では、確信度、術前補助化学療法、症例の難易度ごとに性能を評価した。LLM の予測を繰り返し評価した場合の性能も調べた。
結果：患者の 86% がプラチナ感受性であった。プラチナ感受性の正解率は、LLM で 50.7%〜85.5%、専門医で 49.3%〜76.8% であり、両群に有意差はなかった（P = 0.304）。LLM の感度は高く（52.5〜100%）、特異度は低かった（0〜40%）。 生存予測の正解率は中程度で（LLM 40.6〜52.2%、専門医 44.8〜49.3%）、両群に有意差はなかった（P = 0.671）。正解率は確信度が高いほど上がったが、術前補助化学療法を受けた患者と複雑な症例では低下した。繰り返し評価では、モデルの平均正解率が低下した。プラチナ感受性では 71.5% から 62.6% に、OS では 45.2% から 40.0% に下がった。
結論：プラチナ感受性と OS の予測で、LLM の全体的な正解率は婦人科腫瘍医と同程度であった。ただし、重要な限界もある。限界は、プラチナ抵抗性に対する特異度が限られること、複雑な症例で性能が低いこと、時間とともに結果が変動することである。LLM は補助的な意思決定支援ツールになる可能性があるが、臨床導入の前に前向きの検証が必要である。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）書誌：Galera A, Psilopatis I, Heidinger M, Schmid S, Siegenthaler F, Klar M, et al. Platinum sensitivity and overall survival stratification in epithelial tubo-ovarian carcinoma: a comparative evaluation of large language models and gynaecological oncologists. BMC Cancer. 2026 Oct 30 [Epub ahead of print]. doi:10.1186/s12885-026-17237-y.確認の範囲：抄録のみ確認
子宮体がんの治療・治験とAI
- Research Progress of MRI-based Radiomics and Deep Learning in Lymphovascular Space Invasion of Endometrial Carcinoma抄録（全訳）
子宮体がん（EC）は、女性生殖器の悪性腫瘍のなかで頻度が高い。世界的に発生率は上がり続けており、発症年齢も若くなる傾向にある。
リンパ管血管腔浸潤（LVSI）は、子宮体がんの重要な独立した予後リスク因子である。リンパ節転移、遠隔再発、全生存の不良と密接に関連する。リスク層別化、手術範囲の選択、術後補助療法の決定で中核となる指標でもある。
しかし LVSI は顕微鏡レベルの病理変化であり、確定診断には術後の病理検体が必要である。術前に通常行う骨盤の磁気共鳴画像（MRI）を主観的に読影するだけでは、LVSI を直接検出できない。このため、術前に正確にリスクを評価するという臨床上の必要には応えられない。
MRI に基づくラジオミクスは、腫瘍画像から肉眼では見えない定量的特徴を高スループットに抽出できる。深層学習は、画像の階層的な特徴を自動で学習できる。両者を併せることで、子宮体がんの LVSI の状態を術前に非侵襲的に予測する新たな道が開ける。
本稿は、子宮体がんの LVSI 予測に関する MRI ラジオミクスと深層学習の研究の進展を系統的に概説する。本稿では、標準的なラジオミクスの手順、従来型のラジオミクスモデル、深層学習モデルを詳しく述べる。臨床情報と画像を組み合わせた予測モデルの診断性能についても述べる。
現在の研究の主な課題として、サンプルサイズの限界、施設間のドメインシフト、再現性の不足、前向き検証の欠如を整理する。今後の方向性として、臨床応用への展開、マルチオミクスの統合、説明可能な人工知能を展望する。
掲載誌の IF 相当：0.2（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：Mo W, Tang W, Huang J, Zhao R, Wu Q. Research Progress of MRI-based Radiomics and Deep Learning in Lymphovascular Space Invasion of Endometrial Carcinoma. IJBLS. 2026 Oct 30;17(1):24-30. doi:10.54097/4tgers42.確認の範囲：抄録のみ確認
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
- Multimodal CT radiomics and 2.5D deep learning for preoperative grading of clear cell renal cell carcinoma in older patients: a multicenter study抄録（全訳）
序論：高齢の淡明細胞型腎細胞がん（ccRCC）患者を対象に、世界保健機関／国際泌尿器病理学会（WHO/ISUP）のグレードを術前に予測するモデルの開発と検証を目的とした。目的は、腫瘍内・周囲のラジオミクス、2.5D 深層学習（DL）、臨床・放射線学的特徴を統合した、コンピュータ断層撮影（CT）に基づくマルチモーダルモデルを開発し、検証することである。腫瘍内と腫瘍周囲のラジオミクス、2.5D 深層学習（DL）、臨床・放射線学的特徴を統合した。
方法：多施設の後ろ向き研究で、4 病院から、病理で確定した 60 歳超の ccRCC 患者 1,103 例を組み入れた。内訳は、訓練コホート（n=459）、内部検証コホート（n=198）、独立した 2 つの外部テストコホート（test1、n=227；test2、n=219）である。WHO/ISUP グレード I〜II を低グレード、III〜IV を高グレードとした。 ラジオミクス特徴は、皮髄相の CT 画像から抽出した。皮髄相の CT 画像で、腫瘍内と、腫瘍周囲に 1、2、3 mm と段階的に広げた領域からラジオミクス特徴を抽出した。並行して、ImageNet で事前学習した ResNet34 により、2D と 2.5D（軸位断・冠状断・矢状断を統合）の DL 特徴を抽出した。2.5D の手法では、腫瘍の軸位断・冠状断・矢状断の像を統合した。 特徴選択の後、5 種類の機械学習分類器を評価した。最適なラジオミクスモデル、DL モデル、臨床モデルは、スタッキングによる決定レベルの融合で統合した。性能の評価には、受信者動作特性解析、較正曲線、決定曲線分析（DCA）、SHapley Additive exPlanations（SHAP）を用いた。 結果test1 で 0.754（95% 信頼区間 0.683〜0.825）、test2 で 0.725（95% 信頼区間 0.655〜0.794）である。 2.5D DL 特徴に基づく RF モデルの AUC は、test1 で 0.756（95% 信頼区間 0.682〜0.830）、test2 で 0.713（95% 信頼区間 0.643〜0.783）であった。 マルチモーダル統合モデルの外部 AUC は、test1 で 0.775（95% CI 0.705–0.845）、test2 で 0.732（95% CI 0.664–0.800）であり、選んだ単一モダリティのモデルより数値上は高かった。test1 で 0.775（95% 信頼区間 0.705〜0.845）、test2 で 0.732（95% 信頼区間 0.664〜0.800）である。 DCA では、統合モデルの臨床的な正味の利益は良好であった。SHAP 解析では、モデルの予測に最も大きく寄与した要素は 2.5D DL であった。 考察これにより、高齢の ccRCC 患者の WHO/ISUP グレードを術前に非侵襲的に予測できた。予測性能は、独立した外部コホートのいずれでも維持された。この手法は、術前のリスク層別化と個別化治療の計画に役立つ、画像と臨床の補完的な情報をもたらす可能性がある。
掲載誌の IF 相当：2.7（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：Wang Z, Liang Z, Lv D, Hu S, Zhou H, Li J, et al. Multimodal CT radiomics and 2.5D deep learning for preoperative grading of clear cell renal cell carcinoma in older patients: a multicenter study. Front Oncol. 2026 Oct 30;16:1982970. doi:10.3389/fonc.2026.1982970.確認の範囲：抄録のみ確認 - Development and validation of a multiphase CT radiomics-based machine learning model for prognostic prediction in sarcomatoid renal cell carcinoma抄録（全訳）
背景：肉腫様腎細胞がん（sRCC）は、腎細胞がんのなかでまれで侵攻性の高い亜型であり、予後は不良である。個別化治療を計画するには、予後を正確に層別化することが欠かせない。本研究の目的は、病理で確定した sRCC 患者の全生存期間（OS）を予測する機械学習モデルの開発と検証である。モデルには、多時相のコンピュータ断層撮影（CT）ラジオミクスと臨床病理学的因子を統合した。
方法：腎摘除術を受け、病理で sRCC と確定した患者 113 例を後ろ向きに組み入れた。動脈相（AP）と静脈相（VP）の CT 画像からラジオミクス特徴を抽出した。特徴の選択には、級内相関係数（ICC > 0.75）と単変量 Cox 回帰を用いた。その後、最小絶対収縮選択演算子（Lasso）回帰とランダムサバイバルフォレスト（RSF）のアルゴリズムでラジオミクスシグネチャーを構築した。 ラジオミクススコアと、多変量 Cox 回帰で特定した独立した臨床予測因子を統合し、複合モデルを作った。モデルの性能は、一致指数（C-index）、時間依存受信者動作特性（ROC）曲線、較正曲線、決定曲線分析（DCA）で評価した。内部検証には、ブートストラップ再標本化と反復交差検証を用いた。
結果：複合モデルには、AP+VP ラジオミクススコア、N 病期、M 病期、Ki-67 指数を組み込んだ。このモデルの予測性能は、臨床モデルより数値上は改善した。 ホールドアウトのテストセットでの C-index は 0.737（95% 信頼区間 0.612〜0.846）であった。これは AP+VP ラジオミクスモデル単独（C-index 0.735）と同程度で、臨床モデル（C-index 0.615）より数値上は高かった。ただし、臨床モデルに対する改善は統計学的に有意ではなかった（P = 0.115）。 1 年、2 年、3 年 OS の曲線下面積（AUC）は、それぞれ 0.833、0.780、0.749 であった。較正は良好で、幅広い閾値確率にわたって臨床的有用性がみられた。高リスク群と低リスク群で、生存を有意に層別化できた（ログランク P < 0.05）。
結論：今回の機械学習モデルは、多時相 CT ラジオミクスと臨床病理学的因子を組み合わせたものである。sRCC 患者の OS を予測する非侵襲的な手段となる可能性がある。性能は従来の臨床モデルより数値上は改善した。しかし、この上乗せ効果は統計学的に有意ではなく、性能はラジオミクス単独モデルと同程度であった。一般化可能性を確かめるには、さらに多施設での検証が必要である。
掲載誌の IF 相当：2.7（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：Liu T, Yao Y, Zhou Z, Hu Y, Sun L, Zhang G. Development and validation of a multiphase CT radiomics-based machine learning model for prognostic prediction in sarcomatoid renal cell carcinoma. Front Oncol. 2026 Oct 30;16:1982796. doi:10.3389/fonc.2026.1982796.確認の範囲：抄録のみ確認
膀胱がんの治療・治験とAI
- Predicting NRG1 expression and its molecular-pathological features of bladder cancer through a machine learning-based pathomics model抄録（全訳）
本研究の目的は、パソミクスの手法で膀胱がんの NRG1 発現を予測することである。膀胱がん患者のトランスクリプトームデータ、病理画像、臨床データを、がんゲノムアトラス（TCGA）から取得した。画像の分割には OTSU アルゴリズムを用いた。最小冗長性最大関連性・再帰的特徴削減（mRMR_RFE）のスクリーニングで得た特徴を、勾配ブースティングマシン（GBM）のアルゴリズムでモデル化した。さらに、パソミクススコアと免疫遺伝子の相関を解析した。
mRMR_RFE のスクリーニングで計 20 個の特徴が得られ、NRG1 の予測モデルを構築した。受信者動作特性（ROC）曲線の曲線下面積（AUC）は、訓練セットで 0.789、検証セットで 0.702 であった。パソミクススコアは免疫関連遺伝子と正に相関した（P < 0.05）。NRG1 をサイレンシングすると、膀胱がん（BLCA）細胞の増殖、遊走、浸潤が抑えられた。一方、NRG1 を過剰発現させると、逆の効果がみられた。
パソミクスモデルの識別能は中等度であった。パソミクススコアは免疫関連遺伝子と正に相関している。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Zhang C, Wu F, Zhou Q, Duan Q, Zhu L, Huang W. Predicting NRG1 expression and its molecular-pathological features of bladder cancer through a machine learning-based pathomics model. Discov Onc. 2026 Oct 30 [Epub ahead of print]. doi:10.1007/s12672-026-06230-3.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。