AIとがん研究 ── 乳がん ── 2026-11-05
乳がんの治療・治験とAI
- A Nationwide Study of Interobserver Agreement and Accuracy in HER2 Immunohistochemistry and the Impact of Artificial Intelligence on HER2 Interpretation.抄録（全訳）
目的：HER2 標的療法の対象が HER2 低発現（HER2-low）および超低発現（HER2-ultralow）の乳がん（BC）患者へ拡大し、低レベルの HER2 発現を正確に評価することの重要性が高まっている。そのため、ヒト上皮成長因子受容体 2（HER2）の低レベルの発現を正確に評価することが、ますます重要になっている。米国病理医協会（CAP）は、HER2-ultralow（0+）区分を加えたガイドライン改訂版を出した。これを受けて、全国規模の多読影者研究を行った。目的は、HER2 判定での観察者間のばらつきを評価し、人工知能（AI）による画像解析支援の影響を調べることである。 対象と方法: VENTANA HER2（4B5）アッセイで染色した乳がん 168 例を、全スライド画像（WSI）としてデジタル化した。認定乳腺病理医 34 人が、まず AI 支援なしで全例を独立に判定した。4 週間のウォッシュアウト期間の後、AI 支援ありで再び判定した。二つの段階の間で、観察者間一致、分類性能、読影時間を比較した。
結果：AI 支援で観察者間一致は有意に改善した（Krippendorff の α 0.7415 から 0.8849、Fleiss の κ 0.4492 から 0.7524、P < 0.001）。診断性能の改善が最も大きかったのは、HER2-ultralow と HER2 免疫組織化学（IHC）1+ の乳がんであった。感度はそれぞれ 48.5% から 73.9%、64.9% から 87.7% に上がった（P < 0.001）。未調整の解析では、全体の読影時間は短くならなかった。ただし、HER2-ultralow の乳がんでは、AI 支援で判定時間が 3.12 秒（5.1%）短くなった。
結論：AI 支援で、HER2 判定の再現性と診断性能が向上した。効果が最も大きかったのは、臨床的に重要な HER2 低発現の区分であった。HER2-ultralow の乳がんでは判定時間も短くなった。AI は、日常診療で遭遇する診断の難しい症例でも効率を高められることがさらに示唆される。
掲載誌の IF 相当：3.6（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Lee H, Kim GY, Cho YA, Gong G, Lee HJ, Jeong BK, et al. A Nationwide Study of Interobserver Agreement and Accuracy in HER2 Immunohistochemistry and the Impact of Artificial Intelligence on HER2 Interpretation. Cancer Res Treat. 2026 Nov 2 [Epub ahead of print]. doi:10.4143/crt.2026.0805. PMID: 42971167.確認の範囲：抄録のみ確認 - Explainable machine learning and multi-layer transcriptomic analysis identify and validate prognostic biomarkers for breast cancer survival.抄録（全訳）
背景：腫瘍は生物学的に本来不均一である。そのため、乳がんで生存状況を正確に予測するのはまだ難しい。本研究は、予後予測の精度を高めることを目指した。そこで本研究では、臨床パラメータと特定の遺伝子変数を統合した枠組みを構築し、予後予測の精度を高めることを目指した。遺伝子変数は、包括的な METABRIC（Molecular Taxonomy of Breast Cancer International Consortium）データセットに由来する。
方法：情報漏洩を防ぎ、臨床で使える予測モデルを作るため、全生存月数（OSM）を除いた条件で複数の機械学習（ML）モデルを適用した。特徴量選択には多様な手法を使った。SelectKBest や、SHapley Additive exPlanations と XGBoost を統合した枠組み（SHAP-XGB）などである。差次的発現遺伝子（DEG）は limma パッケージで特定した。閾値は |logFC| ≥ 0.25、調整済み p 値 < 0.05 とした。生存に関連する寄与の大きい遺伝子は、Leave-One-Out による AUC 低下を用いる方法（LOO-AUC）でさらに絞り込んだ。特定した遺伝子に関わる生物学的経路は、Gene Ontology（GO）エンリッチメント解析で調べた。合意バイオマーカーの検証には、モンテカルロ並べ替え検定、Kaplan-Meier 生存解析、多変量 Cox 比例ハザード回帰を使った。TCGA-BRCA コホートでの外部検証も行った。
結果：臨床データと SHAP-XGB モデルで選んだ 10 遺伝子を統合すると、ランダムフォレストモデルで正解率 0.7133、均衡正解率 0.7217という最高の予測精度が得られた。この組み合わせで、ランダムフォレスト（RF）モデルが最も高い予測精度 0.7133 とバランス精度 0.7217 を示した。SHAP-XGB/RF、SelectKBest、DEG、高寄与遺伝子の結果を統合して解析すると、一貫して 6 つの予後遺伝子が同定された。その結果、6 つの予後遺伝子が一貫して特定された。その遺伝子は JAK1、JAK2、CASP8、KIT、STAT5A、GSK3B である。GO エンリッチメント解析では、免疫・炎症に関わる経路が有意に濃縮していた。特に、サイトカインの産生と調節に関わる経路が目立った。
結論：本研究は、乳がんの予後予測のための、生物学的に解釈可能な枠組みを示した。この枠組みは、説明可能な機械学習、トランスクリプトーム解析、生存モデルを統合している。同定した 6 遺伝子のコンセンサスシグネチャーは、一貫して検証された。検証は、複数の独立した解析手法、外部コホートでの検証、生存解析によって行った。このシグネチャーは、乳がんのリスク層別化に向けた有望な予後バイオマーカーパネルとなる可能性がある。
掲載誌の IF 相当：3.3（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Oguz O, Aydın Z, Gungor BB, Goksuluk D. Explainable machine learning and multi-layer transcriptomic analysis identify and validate prognostic biomarkers for breast cancer survival. BMC Med Genomics. 2026 Aug 1;19(1):166. doi:10.1186/s12920-026-02430-6; PMCID: PMC13726301.確認の範囲：全文を確認