AIとがん研究 ── 2026-11-03

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（2）

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（0） · 脳腫瘍（0） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（1） · 腎臓がん（0） · 膀胱がん（0）

希少癌: 腺様嚢胞癌（0）

がん一般の分子生物学の進展とAI

• 埋め込みだけでは解消できない格差：体細胞進化スコアと、集団を代表するシーケンシングの必要性
  You Can't Embed Your Way Out of Disparities: Somatic Evolution Scores and the Case for Representative Sequencing
  JCO Global Oncology · 2026-11-01 · 証拠の段階: 後ろ向きの観察（既存シーケンスデータを用いた計算解析）
  抄録（全訳）

  目的：全エクソーム・全ゲノムシーケンシング（WES/WGS）のデータセットには偏りがある。WES/WGS のデータセットは、白人や、医療資源に恵まれた背景の患者に偏っている。がんの機械学習モデルの進歩は、こうしたデータベースを多様にする取り組みより速い。一方、AACR Project GENIE などのターゲットシーケンシングパネルのデータは比較的豊富で、臨床でも日常的に使われている。ただし、パネルで1検体から得られる生物学的情報は WES/WGS よりずっと少ない。本研究は、次の問いに取り組む。既存の WES/WGS データを最大限に生かし、比較的豊富なパネルデータからの予測を、より良く、より公平にするには、どうすればよいか。この問いは、WES/WGS の利用が最も遅れている低・中所得国に直接関わる。 方法一つは標準的な影響スコアで、生物種間での保存性に由来する。もう一つはがん効果量（cancer effect size）で、変異が腫瘍にもたらす進化上の利点を、疾患に特異的に実測した指標である。変異が腫瘍にもたらす進化上の利点を、疾患ごとに実データから求める指標である。転移学習を用い、WES/WGS モデルで学習した特徴量の重要度をパネルデータに適用した。モデル性能は、がんのさまざまな臨床的特徴で評価した。予測精度の格差をみるため、評価は患者の人口統計学的集団ごとに層別した。さらに、データに含まれていない集団から、小規模なホールドアウトデータセットを用意した。これを用いて、進化的埋め込みと、集団を代表するシーケンシングとで、改善の度合いを比較した。

  結果：がん効果量は、臨床予測課題のいずれでも、標準的な影響スコアと同等以上の性能だった。進化的埋め込みをパネルデータに移すと、モデル全体の性能が上がった。その恩恵は、十分に代表されていない人口統計学的集団でとくに大きく、予測精度の格差が縮まった。ただし、より多様な人の検体をデータに直接加えるほうが、どの埋め込み戦略単独よりも格差を効果的に縮めた。多様な個人の試料を直接加える方法では、すべての集団で性能は同等か向上した。 結論限られて偏った既存の WES/WGS データから、より公平なシグナルを引き出せる。シーケンシングへのアクセスが制約された環境では、これが重要な手段となる。しかし、この方法には明確な限界がある。計算上の工夫は、集団を代表するデータ収集の代わりにはならない。両方の戦略を並行して進める必要がある。ただし、データを集める段階で多様な人を含めるほうが、後からの最適化よりも効果が高い。この分野は、データの源での包摂が、事後の最適化に勝ることを認識すべきである。

  掲載誌の IF 相当：2.1（OpenAlex の直近 2 年の平均被引用数・2026-11-02 時点の値、2026-11-03 に取得。正式な IF（Clarivate）ではない）
  書誌：Fisk N, Townsend J. You Can't Embed Your Way Out of Disparities: Somatic Evolution Scores and the Case for Representative Sequencing. JCO Glob Oncol. 2026 Nov 1;12(Supplement_1):15-6. doi:10.1200/go-26-21000.
  確認の範囲：抄録のみ確認
• AI-HistoPS：肝転移の病理組織像からサブタイプ別に読み解くプロテオームの不均一性
  AI-HistoPS: decoding proteomic heterogeneity with subtype resolution from histopathology in liver metastases
  npj Precision Oncology · 2026-10-31 · 証拠の段階: 後ろ向きの観察（多施設コホートで開発し、外部コホートで評価）
  抄録（全訳）

  肝転移はさまざまながんで起こり、命に関わる。しかし、その分子レベルの不均一性は、通常の病理組織検査では捉えにくい。プロテオーム解析では、転移巣の機能的な状態が特定されている。ただ、それらの状態が組織形態や腫瘍微小環境とどう対応するかは、まだ十分に分かっていない。著者らは、計算病理学の枠組みである AI-HistoPS を開発した。H&E 染色の全スライド画像から、プロテオームに基づく状態を推定する。AI-HistoPS は、病理基盤モデルの表現とエージェント介在型の多重インスタンス学習を統合し、サブタイプに関連する形態パターンを捉える。これにより、サブタイプに関連する形態のパターンを捉える。複数の原発がん種に由来する肝転移の、多施設コホートを用いた。組織形態と、プロテオームに基づく三つの肝転移サブタイプ（LMS1-3）との関連を評価した。これらの状態は、腫瘍の構造、間質の組成、免疫細胞の分布の違いと関連していた。AI-HistoPS は探索コホートでサブタイプを識別でき、外部コホートでも評価した。AI-HistoPS は、探索コホートでサブタイプを判別し、外部コホートでも評価した。これにより、組織像から得た表現を、多様な臨床環境でプロテオームに基づく層別化に使える可能性が示された。アテンションに基づく解析で、サブタイプに関連する形態的・微小環境的特徴をもつ組織領域を特定した。多重免疫組織化学の結果は、組織パターンとサブタイプ関連のタンパク質マーカーとの空間的な関連を支持した。以上から、通常の病理組織検査によって、肝転移のプロテオームに基づく層別化を、より低いコストで近似できる可能性が示唆される。臨床に導入する前に、さらなる検証が必要である。予後や治療に関わる意思決定に用いる前にも、同様の検証が必要である。検証には、より大規模で多様な、前向きに集めたコホートが必要である。

  掲載誌の IF 相当：8.9（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：Ren Y, He Q, Ni H, Tu C, Wu J, Sun Y, et al. AI-HistoPS: decoding proteomic heterogeneity with subtype resolution from histopathology in liver metastases. npj Precis Onc. 2026 Oct 31 [Epub ahead of print]. doi:10.1038/s41698-026-01752-z.
  確認の範囲：抄録のみ確認

がん一般の論文をすべて見る（2 本）→

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

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

この号では、新しい該当論文はありませんでした。

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

• 肝内胆管がんで Ki-67 発現レベルを予測する MRI ベースの深層学習モデル
  MRI-based deep learning model for prediction of Ki-67 expression level in intrahepatic cholangiocarcinoma
  Abdominal Radiology · 2026-10-31 · 証拠の段階: 後ろ向きの観察（117例のコホート、5分割交差検証）
  抄録（全訳）

  Ki-67 の発現は、肝内胆管がん（iCCA）で有用な予後指標である。本研究は、MRI と臨床データから術前に Ki-67 発現を予測する、非侵襲的な深層学習（DL）モデルの開発を目的とした。磁気共鳴画像（MRI）と臨床データを用い、手術前に Ki-67 の発現を非侵襲的に予測する。2020年1月から2024年1月までの iCCA 患者を後ろ向きに調べた。免疫組織化学の結果に基づき、患者を二群に分類した。高発現群（Ki-67 > 50%）と低発現群（Ki-67 ≤ 50%）である。画像を取得したのち、腫瘍のセグメンテーションと前処理を行った。そのうえで、3D-ResNet10 ネットワークで MRI の特徴を抽出した。臨床特徴の抽出には、フィードフォワードニューラルネットワーク（FFN）を用いた。抽出した画像特徴と臨床特徴を統合し、軽量の分類器に入力して Ki-67 のレベルを予測した。DL モデルの性能は5分割交差検証で評価した。指標は正解率、適合率、感度、特異度、F1 スコア、曲線下面積（AUC）である。最終的に117例を対象とした（高発現群30例、低発現群87例）。臨床変数だけのモデルは、予測能が限られていた（平均 AUC 53.18 ± 14.60%）。MRI 特徴だけのモデルは特異度が高かった（86.14 ± 10.25%）が、感度は中程度にとどまった。これに対し、統合した DL モデルは、二つの単独モデルを有意に上回った。平均 AUC は 84.24 ± 8.82%、正解率は 87.17 ± 5.95%、特異度は 93.07 ± 9.35% だった。感度も 70.00 ± 19.44% と大きく改善し、F1 スコアは 73.42 ± 12.28% と良好だった。著者らは、造影 MRI と臨床パラメータを統合した非侵襲的な DL モデルを開発し、検証した。このモデルは iCCA の Ki-67 発現を正確に予測でき、優れた診断性能を示した。

  掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-10-21 時点の値、2026-10-22 に取得。正式な IF（Clarivate）ではない）
  書誌：Wang C, Jin M, Zhang Y, Diao L, Shen X, Yin G, et al. MRI-based deep learning model for prediction of Ki-67 expression level in intrahepatic cholangiocarcinoma. Abdom Radiol. 2026 Oct 31 [Epub ahead of print]. doi:10.1007/s00261-026-05844-z.
  確認の範囲：抄録のみ確認

肝臓がんの論文をすべて見る（1 本）→

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

この号では、新しい該当論文はありませんでした。

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。