AIとがん研究 ── 2026-11-02
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（0） · 肺がん（0） · 膵がん（0） · 前立腺がん（2） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（2） · 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
- A Novel Multi-Level Medical Image Fusion Using Ordered Pixel Mean Filter and Parameter Adaptive Dual Channel Weighted Pulse Coupled Neural Networks抄録（全訳）
医用画像融合は重要な技術である。撮像技術の急速な進歩を背景に、臨床の診断や治療計画で広く使われてきた。元の画像を効果的に融合する手法はこれまでにもいくつか提案されてきたが、融合の精度にはまだ改善の余地がある。
本研究では、順序付けた画素値の平均をとるフィルタで画像を分解する新しい手法を導入した。この方法で入力画像を多重スケールに分解し、融合に用いた。さらに、特異値分解（SVD）の特異値に基づく重みの計算法を導入し、元画像の粗い層の融合に用いた。細部の層は、パラメータ適応型二重チャネル重み付きパルス結合ニューラルネットワーク（PADCWPCNN）により、複数のレベルで融合した。
融合の性能は、多様な脳疾患の 125 スライスを使い、主観的基準と客観的基準の両方で評価した。実験の結果、この手法の有効性が示された。この手法により、平均勾配（AG）は 57%、標準偏差（SD）は 3%、エントロピー（H）は 14.7% 改善した。空間周波数（SF）も 17.9%、エッジ強度（QABF）も 46%、相互情報量（MI）も 14% 改善した。したがって、腫瘍を的確に診断し、それに応じて治療を計画するための医用画像融合では、この手法は魅力的な選択肢である。
掲載誌の IF 相当：1.0（OpenAlex の直近 2 年の平均被引用数・2026-11-01 時点の値、2026-11-02 に取得。正式な IF（Clarivate）ではない）書誌：Chinta RR, Kolluri R. A Novel Multi-Level Medical Image Fusion Using Ordered Pixel Mean Filter and Parameter Adaptive Dual Channel Weighted Pulse Coupled Neural Networks. Iraqi Journal of Science. 2026 Oct 30 [Epub ahead of print]. doi:10.24996/ijs.2026.67.10.26.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
この号では、新しい該当論文はありませんでした。
肺がんの治療・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。
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
- 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
脳腫瘍の治療・治験とAI
- Multiparametric Quantitative MRI With 2. 5D Deep Learning for Molecular Classification and Overall Survival Assessment in Adult‐Type Diffuse Gliomas抄録（全訳）
背景：定量 MRI を使えば、神経膠腫の特徴を非侵襲的に捉えられる可能性がある。ただし、最適な解析法も、予後予測での有用性も、まだはっきりしない。
目的：手術前の分子分類について、関心体積（VOI）平均、ラジオミクス、2D・2.5D・3D の深層学習（DL）を比較する。あわせて、2.5D-DL から得たイソクエン酸脱水素酵素野生型スコア（2.5D-IDHwt スコア）を評価する。あわせて、2.5D-IDHwt スコアの予後予測上の価値を、術後の臨床病理学的生存モデルで評価する。 研究の種類 後ろ向き多施設研究。
対象：びまん性神経膠腫の成人 1408 例。内訳は、学習（n = 409）、時間的検証（n = 300）、3 つの外部テストコホート（n = 119、310、270）である。 磁場強度／シーケンス 3 T。シーケンスは、スピンエコー・エコープラナー拡散強調画像、3D 擬似連続動脈スピンラベリング、マルチダイナミック・マルチエコー合成 MRI である。 評価神経放射線科医 2 名（経験 5 年と 20 年）が腫瘍全体の VOI を描出した。マップ別の 6 つのモデルを、VOI 平均、ラジオミクス、2D-DL、2.5D-DL、3D-DL の手法ごとに別々にスタッキングした。2.5D-qMR-Clin は、2.5D-IDHwt スコアに 3 つの因子を組み合わせたモデルである。3 つの因子は、年齢、O6-メチルグアニン-DNA メチルトランスフェラーゼプロモーターのメチル化、切除範囲である。これを、病理学的 IDH 状態を組み込んだ PathoClin と比較した。 統計検定 曲線下面積（AUC）、DeLong 検定、Harrell の C 指数、ブートストラップ再標本化、較正、決定曲線分析、Kaplan–Meier 解析、Cox 回帰。P < 0.05 を有意とした。
結果：2.5D-DL のスタッキングモデルは、外部検証での AUC が最も高かった。外部検証の AUC は IDH 変異で 0.89〜0.93、1p/19q 共欠失で 0.92〜0.95 であり、他の 4 つのスタッキングモデルを有意に上回った。 逆 Kaplan–Meier 法による追跡期間の中央値は 1344 日（95% 信頼区間 1316〜1383）で、27.5% が死亡した。外部検証での C 指数は、2.5D-qMR-Clin が 0.750、0.778、0.762、PathoClin が 0.704、0.722、0.723 であった。テストコホート 2 と 3 では、この差が有意であった。固定カットオフによるリスク層別化は、すべての外部コホートで有意であった（ハザード比 5.30〜5.80）。ウェブ版の 2.5D-qMR-Clin エクスプローラーは、1 年、2 年、3 年の全生存期間（OS）の推定値を示した。 データの結論 評価した手法のなかで、分子分類の成績が最も良かったのは 2.5D-DL スタッキングであった。2.5D-IDHwt スコアは、術後の臨床病理学的モデルでの OS 評価を改善した。 エビデンスレベルは 3 である。 技術的有効性はステージ 2 である。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）書誌：Ge X, Shen Y, Han Y, Li S, Feng X, Wang C, et al. Multiparametric Quantitative MRI With 2. 5D Deep Learning for Molecular Classification and Overall Survival Assessment in Adult‐Type Diffuse Gliomas. Magnetic Resonance Imaging. 2026 Oct 31 [Epub ahead of print]. doi:10.1002/jmri.70599.確認の範囲：抄録のみ確認 - Brain tumor segmentation, classification, and severity prediction using deep transfer learning and convolutional long short-term memory抄録（全訳）
脳腫瘍（BT）は細胞の異常な増殖で生じる。世界の成人にとって、命に関わる主要な悪性腫瘍の一つである。腫瘍の治療は、早期の発見にかかっている。診断には通常、医用画像検査が使われ、患者の脳を正確に評価するのに役立つ。したがって、適切な時期に発見して速やかに治療すれば、こうした患者の生活の質は向上し、余命も延びる。近年、深層学習（DL）モデルによって医用画像は大きく進歩した。
本研究では、脳腫瘍を自動で分類し重症度を予測するモデル ABTCSP-ISCDL を提案する。このモデルでは、画像セグメンテーションと畳み込み深層学習を用いる。研究のねらいは、脳腫瘍の検出と重症度分類を正確に行う知的システムを開発し、適時の診断と効果的な治療計画に役立てることである。
画像セグメンテーションには Transformer ベースの U-Net（TransUNet）を使い、腫瘍領域を正確に切り分ける。特徴抽出には RegNet002 モデルを使い、脳腫瘍の局所的な特徴と全体的な特徴をとらえる。最後に、二乗平均平方根伝播（RMSProp）最適化手法を畳み込み長短期記憶（ConvLSTM）ネットワークと組み合わせ、腫瘍の分類と重症度予測を行う。これにより、正確度も全体の性能も向上する。
Figshare BT データセットを用いて、ABTCSP-ISCDL モデルの包括的な実験を行った。従来の手法と比べた実験の解析で、提案した枠組みの正確度は 96.25% であった。
掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-11-01 時点の値、2026-11-02 に取得。正式な IF（Clarivate）ではない）書誌：Chanemougavel V, Jayanthi K. Brain tumor segmentation, classification, and severity prediction using deep transfer learning and convolutional long short-term memory. IJATEE. 2026 Oct 31;13(143):854-75. doi:10.19101/ijatee.2025.121221250.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
- A CT Lesion Foundation Model for Non-Invasive Assessment of Hepatocellular Carcinoma Aggressiveness and Prediction of Recurrence Risk.抄録（全訳）
肝細胞がん（HCC）は今も世界のがん関連死の主な原因の一つであり、根治切除後の再発率も高い。手術方針の決定と術後の経過観察には、腫瘍の悪性度と再発リスクを非侵襲的に正確に評価することが欠かせない。しかし、従来の画像検査ではこの評価はまだ難しい。
本研究では CT 病変基盤モデル（LFM）を開発した。学習には、一般的な病変の CT パッチ 32,120 枚と HCC に特化した CT パッチ 6,387 枚を用い、自己教師あり学習で訓練した。目的は、他の課題にも転用できる病変内部の画像表現型をとらえることである。
検証には、内部検証コホート 1 つと外部検証コホート 2 つを用いた。逐次的に事前学習した LFM（LFM-Seq）の曲線下面積（AUC）は、微小血管浸潤（MVI）の評価で 0.916、0.846、0.920 であった。病理学的グレードの評価では 0.833、0.885、0.795 であった。訓練データが少ない場合や腫瘍の位置情報にずれがある場合でも、モデルの頑健さは保たれた。
さらに、LFM-Seq から得たリスクスコアで無再発生存期間（RFS）を層別できた。外部検証での C-index は 0.701 であった。このスコアは、臨床病理学的因子で調整した後も RFS と独立して関連していた。生物学的な解釈を探索的に解析したところ、LFM-Seq によるリスク表現型は、リンパ球に関わる免疫プログラムの抑制と関連していた。
これらの結果から、CT 病変基盤モデルは次の三点に役立つことが示唆される。HCC の悪性度を非侵襲的かつ頑健に評価すること、再発リスクを層別すること、解釈可能な予後画像バイオマーカーを見つけることである。
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：Xia W, Shen Z, Li M, Lu J, Xia J, Cheng Y, et al. A CT Lesion Foundation Model for Non‐Invasive Assessment of Hepatocellular Carcinoma Aggressiveness and Prediction of Recurrence Risk. Advanced Science. 2026 Nov 1 [Epub ahead of print]. doi:10.1002/advs.78587.確認の範囲：抄録のみ確認 - The prognostic value of TNFRSF4 in hepatocellular carcinoma using a two-zone CT imaging model抄録（全訳）
はじめに特に、手術前に TNFRSF4 のレベルを予測するラジオミクスモデルの開発を目指した。このモデルはコンピュータ断層撮影（CT）に基づき、腫瘍そのものか腫瘍周囲の変化のいずれかを用いる。
方法：がんゲノムアトラス（TCGA）の HCC 患者 286 例のゲノムデータと、がん画像アーカイブ（TCIA）の 35 例の動脈相造影 CT データを用いた。これらを予後解析とラジオミクス特徴量の抽出に使った。 機械学習アルゴリズムには、最大関連最小冗長（mRMR）や再帰的特徴量削減（RFE）などを用いた。全腫瘍モデルと全腫瘍・腫瘍周囲モデル（全腫瘍と腫瘍周囲 3 mm の領域が対象）を構築した。モデルの正確度は受信者動作特性曲線で評価した。 結果と結論 全腫瘍モデルでは、mRMR で最適な特徴量 20 個を抽出し、続いて RFE で代表的なサブセット 3 個に絞り込んだ。ロジスティック回帰モデルと組み合わせると、受信者動作特性曲線下面積（AUC）は訓練セットで 0.813、検証セットで 0.759 であった。 次に全腫瘍・腫瘍周囲モデルを構築した。特徴量は mRMR で 20 個を抽出し、RFE で典型的なサブセット 4 個を得た。このモデルの AUC は、訓練セットで 0.871、検証セットで 0.803 であった。 結論として、腫瘍そのものと腫瘍周囲の情報に基づくラジオミクスモデルで、HCC 患者の TNFRSF4 発現を予測でき、全生存期間との関連も予測できた。
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：Ye R, Wang S, Li Y, He Q. The prognostic value of TNFRSF4 in hepatocellular carcinoma using a two-zone CT imaging model. Heliyon. 2026 Nov;12(16):e45637. doi:10.1016/j.heliyon.2026.e45637.確認の範囲：抄録のみ確認
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
- Machine learning predicts postoperative lung metastasis in upper tract urothelial carcinoma抄録（全訳）
上部尿路上皮がん（UTUC）で肺転移（LM）のリスクが高い患者を早期に見つけることは、術後のリスク層別と経過観察の計画に重要である。この後ろ向き研究では、5 種類の機械学習手法で UTUC 患者の LM リスクを予測した。
解析には監視・疫学・最終結果（SEER）データベース（2000〜2017 年）のデータを用いた。SEER コホートは 7:3 の比で訓練セットと内部テストセットに無作為に分け、モデル開発と内部検証に使った。最終解析では、合成リサンプリング手法は用いなかった。主要な独立変数は、Boruta アルゴリズムと多変量ロジスティック回帰で特定した。
モデルの性能は、吉林大学第一医院の UTUC 患者 569 例のデータで検証した。評価には、曲線下面積（AUC）、適合率-再現率曲線下面積（AUPRC）、決定曲線分析、シャープレイ加法的説明（SHAP）による解釈を用いた。臨床で使うためのオンラインツールも開発した。
5 種類の機械学習モデルのうち、ランダムフォレスト（RF）は一部の指標で見かけ上高い性能を示した。一方、ロジスティック回帰（LR）は内部テストセットと外部検証セットのいずれでも、安定性と汎化性能がより高かった。そこで、LM に特化した UTUC リスク計算ツールを、臨床応用のために LR で開発した。
本研究では、UTUC 患者の LM リスクを評価する臨床予測モデルを開発した。このモデルは臨床上の意思決定を支援できる可能性がある。
掲載誌の IF 相当：5.2（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：Wu H, Xu T, Cao H, Li Y, Zhou H, Wang L, et al. Machine learning predicts postoperative lung metastasis in upper tract urothelial carcinoma. Sci Rep. 2026 Oct 31 [Epub ahead of print]. doi:10.1038/s41598-026-77312-z.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。