AIとがん研究 ── 前立腺がん ── 2026-11-02
前立腺がんの治療・治験とAI
- Biparametric MRI–based whole-gland habitat analysis for pretreatment identification of pathologically high-risk prostate cancer: a two-center study with external validation抄録（全訳）
背景：前立腺全体のハビタット解析を使えば、指標病変の輪郭を描かなくても、前立腺内の不均一性を捉えられる可能性がある。本研究では、病変に依存しないバイパラメトリック MRI（bpMRI）の前立腺全体ハビタット解析の枠組みを開発し、外部で評価した。この枠組みの目的は、病理学的に高リスクの前立腺がん（PCa）を治療前に見分けることである。解析範囲を被膜近くの前立腺周囲脂肪組織（PPAT）まで広げる拡張も事前に規定し、予測能が上乗せされるかを評価した。
方法：2 施設の後ろ向き研究で、病理学的に確定した PCa 患者 301 例を対象とした。内訳はモデル開発 241 例、独立した外部検証 60 例である。病理学的高リスク PCa は、Gleason スコア ≥ 4+3 または国際泌尿器病理学会グレードグループ ≥ 3 と定義した。 T2 強調画像と見かけの拡散係数（ADC）マップを同時に k-means クラスタリングにかけた。これにより、患者ごとに K = 2 の前立腺全体ハビタットを作成した。ADC が低いほうのクラスターを H1 とした。スコアレベルの融合モデルでは、対数変換した前立腺特異抗原密度（log-PSAD）にシグネチャーを組み合わせた。使ったのは、ハビタット由来のシグネチャーと PPAT 0〜3 mm のラジオミクスシグネチャーである。開発時の性能は、層化 5 分割交差検証の out-of-fold 予測で推定した。学習済みのモデルは、変更せずに外部検証コホートに適用した。
結果：外部検証コホートは、病理学的高リスク PCa 47 例と、より低リスクの PCa 13 例からなる。従来の前立腺全体ラジオミクスに log-PSAD を組み合わせたモデルでは、外部検証での受信者動作特性曲線下面積（AUC）が 0.791（95% 信頼区間 0.664〜0.899）であった。PPAT シグネチャー単独の AUC は 0.702（95% 信頼区間 0.540〜0.845）であった。 H1 由来の前立腺融合モデルの AUC は 0.836（95% 信頼区間 0.715〜0.936）であった。H1 由来の PPAT 拡張融合モデルの AUC は 0.840（95% 信頼区間 0.710〜0.941）であった。PPAT を追加すると、AUC は 0.003 変化した（95% 信頼区間 −0.046〜0.048、ブートストラップ P = 0.881）。H1 由来の前立腺融合モデルのほうが、Brier スコア（0.146 対 0.175）も期待較正誤差（0.153 対 0.219）も低かった。事前に規定した閾値確率の 2 つの範囲のいずれでも、このモデルのほうが平均ネットベネフィットは高かった。 結論被膜に近い PPAT を加えても AUC の上昇はごくわずかで、予測誤差も較正誤差も減らず、ネットベネフィットも増えなかった。外部検証の結果を確認するには、より大規模な多施設研究が必要である。H1 由来の前立腺融合モデルに PPAT が予測能を上乗せするかの判断にも、同様の研究が必要である。
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：Huang J, Gong J, Zhang Y, Yang O, Li J, Chen J, et al. Biparametric MRI–based whole-gland habitat analysis for pretreatment identification of pathologically high-risk prostate cancer: a two-center study with external validation. Cancer Imaging. 2026 Oct 31 [Epub ahead of print]. doi:10.1186/s40644-026-01139-0.確認の範囲：抄録のみ確認 - Non-Invasive Assessment of Perineural Invasion Density: A Novel Marker for Prognosis and Treatment Stratification in Prostate Cancer.抄録（全訳）
本研究は、神経周囲浸潤密度（PNID）を優れた予後マーカーとして確立・検証した。さらに、PNID を手術前に予測する MRI ベースの AI モデルを開発した。
この多施設研究では、根治的前立腺全摘除術を受けた前立腺がん（PCa）患者 1091 例を対象とした。PNID と生化学的再発（BCR）および画像上の無増悪生存期間（rPFS）との関連を評価した。補助アンドロゲン除去療法（ADT）と β 遮断薬または抗ムスカリン薬の併用についても解析した。深層学習モデルは主要コホート（n = 523）で開発し、2 つの外部コホート（n = 317、251）で検証した。
高 PNID は BCR と rPFS の独立した予後因子であった。ハザード比は、BCR で 4.06（95% 信頼区間 2.75〜5.97、P < 0.001）、rPFS で 4.61（95% 信頼区間 2.97〜7.16、P < 0.001）であった。
注目すべきことに、β 遮断薬の併用と BCR の良好な転帰に有意な関連がみられたのは、高 PNID サブグループだけであった。このサブグループのハザード比は 0.32（95% 信頼区間 0.12〜0.84、P = 0.021）であった。非高 PNID の集団ではベネフィットはみられず、抗ムスカリン薬でもみられなかった。
AI モデルは高 PNID の予測で優れた性能を示した。曲線下面積（AUC）は、学習で 0.917、内部検証で 0.842、外部検証で 0.889 と 0.915 であった。モデルが高 PNID と判定した患者は、転帰が有意に悪かった。
PNID は予後予測の精度で従来の神経周囲浸潤（PNI）を上回り、高リスクの表現型を特定できる。補助療法としての β 遮断薬が有益なサブグループは、高 PNID で規定できる可能性がある。これは、層別化した部分集団で神経–腫瘍微小環境を標的とすることに、探索的な臨床的根拠を与える。したがって、このモデルは、手術前にこの高リスクサブグループを非侵襲的に特定する、信頼できるツールとなる可能性がある。臨床医が個別にリスクを層別化し、治療を計画するうえでも助けになる可能性がある。
掲載誌の IF 相当：9.5（OpenAlex の直近 2 年の平均被引用数・2026-10-18 時点の値、2026-10-19 に取得。正式な IF（Clarivate）ではない）書誌：Liu B, Zhang L, Zhu W, Yang M, Liu X, Li X, et al. Non‐Invasive Assessment of Perineural Invasion Density: A Novel Marker for Prognosis and Treatment Stratification in Prostate Cancer. Advanced Science. 2026 Oct 31 [Epub ahead of print]. doi:10.1002/advs.78460.確認の範囲：抄録のみ確認