AIとがん研究 ── 脳腫瘍 ── 2026-11-05
脳腫瘍の治療・治験とAI
- AI-based precision prognostics and therapy personalization for childhood brain tumors.抄録（全訳）
がん領域では、患者の転帰を正確に予測することがまだ難しい。小児脳腫瘍では、それが特に重要な課題である。治療を決めるとき、再発と死亡のリスクを、治療による重い後遺症と慎重に比べなければならないからである。 髄芽腫と上衣腫の予後予測のため、精密 AI ツール MANTIS（methylation profiling and artificial neural networks for time-dependent individualized survival predictions）を開発した。髄芽腫と上衣腫の転帰を予測する精密 AI ツールである。ゲノム全体の DNA メチル化アレイデータ（2,786 例分）をもとに構築した。 MANTIS は、10 年間にわたる患者ごとの生存確率を出す。一致指数（C-index）は最高で 0.80 ± 0.07 に達した。予測精度は、現行の臨床指標より有意に高かった。 MANTIS を拡張して、患者ごとの治療効果も推定した。その結果、標準リスク髄芽腫の患者の約 60% を特定できた。これらの患者は、強度を下げた線量で全脳全脊髄照射を受けても、生存に有意な不利がなかった（P = 0.683）。線量を下げた照射は、神経認知の転帰の改善と関連する。
結論：本研究は、小児脳腫瘍における AI 精密予後予測と治療個別化の基盤を確立した。ほかのがん種で同様の取り組みを進める際の青写真にもなる。
掲載誌の IF 相当：19.6（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Stefan S, Amann AS, Smith KS, Boniolo F, Larsson I, Pfitzer EC, et al. AI-based precision prognostics and therapy personalization for childhood brain tumors. Nat Genet. 2026 Nov 3 [Epub ahead of print]. doi:10.1038/s41588-026-02815-4. PMID: 42977823.確認の範囲：抄録のみ確認 - Five predictors of meningioma surgery: an AI analysis.抄録（全訳）
背景：髄膜腫の手術は、神経機能を保つことを目指す。神経機能は、通常カルノフスキー・パフォーマンス・スケール（KPS）で測る。ただし、術後に KPS がどう変わるかを予測するのはまだ難しい。
方法：イタリアの 14 施設で行った髄膜腫切除 397 件を後ろ向きに解析した。術前の臨床所見と MRI 所見を使い、分類器を交差検証で学習させた。使った所見は、年齢、腫瘍の大きさ、機能的に重要な部位（eloquent area）にあるかどうか、血管・脳神経の巻き込み、手術歴、術前の KPS などである。分類器は、ロジスティック一般化加法モデル（GAM）、重み付きロジスティック回帰、線形／RBF カーネルのサポートベクターマシン（SVM）、ランダムフォレストである。性能は、Staartjes らの GAM_MCS モデルと比べた。比較対象の Staartjes らの GAM_MCS モデルは、KPS の 10 点以上の低下を予測する。
結果：どのモデルも、新たな神経脱落症状の識別能は中程度にとどまった。曲線下面積（AUC）は ≈0.65〜0.70 だった（Staartjes2 GAM_MCS 0.692、ロジスティック回帰 0.694）。大きな変化は、より正確に予測できた。KPS が 20 点以上または 30 点以上下がる場合の AUC は ≈0.76〜0.77 だった。術後に少しでも改善する場合の AUC は ≈0.81 だった。一方、10 点の低下が最も予測しにくかった（AUC ≈0.70）。重み付きロジスティック回帰の AUC は、KPS 低下 10 点以上・20 点以上・30 点以上、および改善の予測で、順に 0.697、0.765、0.762、0.811 だった。最も重要な予測因子は、解剖学的な複雑さに関わる因子だった。具体的には、機能的に重要な部位に及ぶこと、主要血管の操作、腫瘍の大きさである。これは「Big Five」危険因子と一致する。
結論：術後の機能転帰を最もよく予測するのは、今回も術前の解剖学的な複雑さだった。ロジスティック系の機械学習（ML）分類器は、全体としては精度が中程度だった。ただし、極端な転帰（大きな低下や明らかな改善）では性能が高かった。閾値を高くすると（例えば KPS 20 点以上の低下）、識別能が上がった。この閾値は、臨床的に意味のある転帰の定義にも合う。以上の結果から、予後モデルを改善するには、影響の大きい解剖学的特徴と転帰の閾値を重視するのがよいと考えられる。
掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：MORETTI M, MALTONI D, CIOCCA R, BROGGI M, SCHIARITI M, RESTELLI F, et al. Five predictors of meningioma surgery: an AI analysis. J Neurosurg Sci. 2026 Nov;70(5). doi:10.23736/s0390-5616.26.06696-8. PMID: 42974822.確認の範囲：抄録のみ確認