AIとがん研究 ── リンパ腫 ── 2026-11-05
リンパ腫の治療・治験とAI
- Prediction of Double-Expressor Lymphoma in Diffuse Large B-Cell Lymphoma Using a Non-invasive Model Based on [ 18 F] FDG PET/CT and Stacking抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）のうちダブルエクスプレッサーリンパ腫（DEL）を、非侵襲的に見分けるモデルを作って検証した。モデルは治療前（ベースライン）の [18F]FDG PET/CT を使う。深層学習ラジオミクスと臨床データを統合した多モーダルのモデルで、判断の根拠を解釈できる。
DLBCL の診断と DEL の亜型分類の病理学的な基準は、2016 年 WHO 分類に基づく免疫組織化学とした。2019 年 1 月〜2025 年 7 月の患者を後ろ向きに登録し、訓練群とテスト群に 7:3 で無作為に分けた。解析は患者単位で行った。臨床・ラジオミクス・深層学習の各特徴量を抽出した。LASSO で特徴量を選び、単独モデルと融合モデルを作った。統計解析には Python（3.6）を使い、p 値 < 0.05 を有意とした。モデルの性能は、受信者動作特性（ROC）曲線、キャリブレーション、決定曲線解析（DCA）で評価した。解釈には SHAP とノモグラムを使った。
登録したのは 143 例（男性 82 例、女性 61 例、年齢中央値 61.5 歳）である。ViT_KNN モデルのテスト群での曲線下面積（AUC）は 0.936（95% 信頼区間 0.856〜1.000）だった。臨床モデル（AUC 0.857、95% 信頼区間 0.722〜0.993）とラジオミクスモデル（AUC 0.706、95% 信頼区間 0.547〜0.865）の両方を上回った。後期融合のモデル、なかでも Stacking_LR の性能が最も高かった（AUC 0.948、95% 信頼区間 0.865〜1.000、正解率 95.3%、特異度 100%、感度 88.2%）。キャリブレーションと DCA により、臨床上の正味の利益が確認された。SHAP 解析では、深層学習の特徴量の影響が最も大きかった。Stacking_LR のノモグラムは、直感的に使える臨床ツールとなる。
ベースラインの [18F]FDG PET/CT に基づく深層学習ラジオミクスにより、DEL を非侵襲的かつ効果的に同定できる。スタッキングによるアンサンブル戦略は、マルチモーダルの融合を高める。DLBCL のリスク層別化に使える、精度が高く解釈しやすいツールとなる。
掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Liang J, Lu G, Zhong Q, Peng Q, Tian R, Zheng W, et al. Prediction of Double-Expressor Lymphoma in Diffuse Large B-Cell Lymphoma Using a Non-invasive Model Based on [18F] FDG PET/CT and Stacking. Acad Radiol. 2026 Oct [Epub ahead of print]. doi:10.1016/j.acra.2026.08.091. PMID: 42934072.確認の範囲：抄録のみ確認 - Deep Learning on Histopathological Images Enables Accurate Diagnosis of Common B-Cell and Hodgkin Lymphoma抄録（全訳）
リンパ腫の亜型を正しく分けることは、治療方針を決め、予後を予測するうえで欠かせない。しかし亜型どうしで形態の特徴が重なるため、まだ難しい。本研究の目的は、深層学習による診断システム BH-LymphDS を開発し、検証することである。最も多い三つの亜型、すなわちびまん性大細胞型B細胞リンパ腫（DLBCL）、濾胞性リンパ腫（FL）、ホジキンリンパ腫（HL）を正確に鑑別することを目指した。
システムは Swin Transformer を骨格とし、クラスタリング制約付き注意型多重インスタンス学習（CLAM）と k 近傍法（KNN）分類器を組み合わせている。弱教師あり学習により、領域ごとの手作業の注釈なしで、ホールスライド画像から直接学習できる。モデル開発には、診断生検のホールスライド画像（WSI）1910 枚を使った。モデル開発には診断生検の画像 1910 枚を用いた。この分野でこれまでに最大のコホートである。9 種類の深層学習アーキテクチャの性能を系統的に比べた。性能は 5 分割交差検証で厳密に評価し、さらに TCIA と TCGA の独立した外部データセットで検証した。経験豊富な血液病理医 3 名の診断成績との比較解析も行った。
内部テストコホートで、BH-LymphDS のマイクロ平均の曲線下面積（AUC）は 0.955、正解率は 92.5% だった。交差検証でのマイクロ平均 F1 スコアは 0.871 で、血液病理医 3 名の平均（0.851）を上回った。最適な骨格は Swin Transformer だった。勾配重み付きクラス活性化マッピング（GradCAM）で、モデルの判断の根拠を確かめた。勾配重み付きクラス活性化マップ（GradCAM）により、モデルは核異型や細胞の増殖パターンなど、妥当な形態学的特徴に基づいて判断していたことが確認された。
この結果は、高度な AI システムが、病理スライド上のリンパ腫の正確な亜分類に求められる厳しい要件を満たしうることを示している。BH-LymphDS は、信頼できる補助診断ツールとして強い可能性がある。BH-LymphDS は、臨床の作業効率と診断の一貫性を高める、信頼できる補助診断ツールとなる可能性が高い。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）書誌：Zhang P, Yan C, Sun M, Ding S, Li L, Cao W, et al. Deep Learning on Histopathological Images Enables Accurate Diagnosis of Common B-Cell and Hodgkin Lymphoma. Cancers. 2026 Oct 8;18(19):3237. doi:10.3390/cancers18193237.確認の範囲：抄録のみ確認 - Improving deep-learning IMRT plan quality for lymphoma using deliverability-aware training抄録（全訳）
深層学習（DL）は、患者の解剖と標的の構造から線量分布を予測するのに高い性能を示してきた。ただし線量を正確に予測できても、照射可能な計画になるとは限らない。線量分布の予測が正確でも、機械パラメータに変換して治療計画装置（TPS）で線量を再計算すると、照射できる計画になるとは限らない。そのため、予測と照射可能性を明示的に結びつける学習目標が求められている。リンパ腫は標的の部位や広がり、処方線量・分割回数のばらつきが臨床的に大きい。照射可能な計画を速く自動で作れる手法は、とくに価値が高い。
本研究では、予測と照射可能性を明示的に結びつける学習の枠組みが有効かを調べた。具体的には、DL が生成するリンパ腫の強度変調放射線治療（IMRT）計画について、工程全体を通した照射可能性が改善するかを検討した。
単施設の後ろ向きデータセット 619 計画（571 例、2009〜2021 年）を使った。臨床で用いた強度変調回転照射（VMAT）計画を、自動スクリプトで Eclipse 上の IMRT 参照計画に変換した。参照計画は標準化した 15 門・同一平面のスライディングウィンドウ法である。比べた DL 手法は二つである。一つは線量だけを目的とする基準モデル（DL-DO）である。もう一つは多目的モデル（DL-MO）で、線量の教師、フルエンスの教師、および線量–フルエンス–線量のサイクル一貫性制約を用いて学習させた。この制約は、固定した逆方向・順方向のネットワークで実装した。予測したフルエンスマップを TPS に取り込んでリーフシーケンスを行い、追加の最適化なしに AcurosXB で再計算した。計画の質は、学習に使わなかったテストセット（n = 61）で評価した。指標は計画標的体積（PTV）の D98、D2、Dmax で、対応のある Wilcoxon 検定と Holm 補正を用いた。
機械で照射可能な計画の質は、DL-MO が DL-DO より有意に高かった。標的のカバーが改善し、ホットスポットが減った。対応のある差の中央値は D98 が +12.31 パーセントポイント（pp）、D2 が −3.43 pp、Dmax が −3.18 pp で、いずれも Holm 補正後 p < 0.0001 だった。PTV 指標の平均 ± SD（DL-MO 対 DL-DO）は次のとおりである。D98 は 90.10 ± 3.74% 対 78.59 ± 5.92%、D2 は 106.28 ± 1.13% 対 109.65 ± 2.40%、Dmax は 110.32 ± 2.20% 対 113.27 ± 3.03% だった。DL-MO は TPS の参照 IMRT 計画（D98 = 91.62 ± 3.45%）に近づいたが、ホットスポットはやや高いまま残った。
サイクル一貫性を取り入れた学習により、DL が生成する IMRT 計画の、工程全体を通した照射可能性が向上する。これは、標的の多様なリンパ腫でも当てはまる。従来の線量だけの教師に比べ、TPS で再計算した、機械で照射可能な計画が大幅に良くなった。フルエンスマップの生成時間は 1 秒未満を保った。ただし D98、D2、Dmax のいずれでも、TPS の参照計画との差は統計的に有意なまま残った。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Kutnár D, Vogelius IR, Georgiev HA, Specht L, Petersen J. Improving deep‐learning IMRT plan quality for lymphoma using deliverability‐aware training. J Applied Clin Med Phys. 2026 Oct 5;27(10):e70815. doi:10.1002/acm2.70815.確認の範囲：抄録のみ確認 - Exploratory Radiomic Analysis of Anterior Segment OCT Images in Patients with Vitreoretinal Lymphoma抄録（全訳）
本研究の目的は、前眼部光干渉断層計（AS-OCT）画像から、活動性の硝子体網膜リンパ腫（VRL）に合致する画像特徴を、ラジオミクスに基づく分類モデルで見分けられるかを探ることである。モデルには、手作業で輪郭を描いた前部硝子体の関心領域から抽出したラジオミクス特徴を用いた。副次的な目的は、これらの画像の特徴と前房水の分子バイオマーカーとの関連を調べることである。このバイオマーカーは VRL の評価に使われている。
単施設の後ろ向き研究として実施した。対象は、生検でVRLと確定し、AS-OCT 画像と前房水採取のデータがある患者である。AS-OCT 画像は、ベースラインまたは経過観察時のものを 1 シリーズ以上必要とした。前部硝子体の AS-OCT 画像に関心領域（ROI）を手作業で描き、ラジオミクスの特徴量を抽出した。抽出した特徴から 5 つを選び、XGBoost 分類器を学習させて、活動性と非活動性を見分けた。検証には、患者 2 名を除外して行う交差検証（L2PO）を用いた。性能の指標は、受信者動作特性曲線下面積（AUC-ROC）とした。前房水の IL-10:IL-6 比がある場合は、画像特徴との関連をロジスティック回帰で解析した。
解析したのは 8 例（計 22 回の受診、43 眼）である。L2PO 解析での AUC は 0.74（95% 信頼区間 0.68〜0.81）だった。病勢と最も一貫して関連した特徴量は GLRLM_LRLGE だった。IL-10:IL-6 > 1 を転帰とすると、関連は弱まった（p 値はいずれも > 0.05）。IL-10:IL-6 > 1 を転帰にすると関連は弱まったが、平均値と中央値では効果の向きは同じだった。
このパイロット研究は、AS-OCT 画像で VRL の活動性を解析するという、ラジオミクスの新たな役割の可能性を探ったものである。現時点では、臨床で使えるツールにはほど遠い。臨床で使える段階にはまだ遠いが、ラジオミクス解析は、非侵襲的なモニタリング法を改良する今後の研究の対象になりうる。標準化した方法で、連続画像の撮影と前房水採取を同時に行う前向き研究が必要である。
掲載誌の IF 相当：1.8（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Gozzi F, Bertolini M, Vicentini M, Ragusa E, Trojani V, Mancuso P, et al. Exploratory Radiomic Analysis of Anterior Segment OCT Images in Patients with Vitreoretinal Lymphoma. Ocular Immunology and Inflammation. 2026 Oct 5 [Epub ahead of print]. doi:10.1080/09273948.2026.2739454.確認の範囲：抄録のみ確認 - MedNeXt-Based Automated Tumor Segmentation and TMTV Prognostication in Hodgkin Lymphoma PET Images: A Retrospective Study抄録（全訳）
背景・目的： この研究では、PET 画像上のホジキンリンパ腫（HL）を深層学習で自動セグメンテーション（腫瘍領域の自動抽出）する方法を評価する。あわせて、セグメンテーションから求めた総代謝腫瘍体積（TMTV）に予後を予測する価値があるかを探索する。
方法：独立した 2 施設の PET データを後ろ向きに集め、学習コホートと検証コホートに分けた。MedNeXt を HL の PET セグメンテーション用に学習させた。代表的な 5 つのセグメンテーション手法とも性能を比べた。比較では、データ分割・前処理・評価の枠組みをすべてそろえた。性能の指標には次の 4 つを用いた。Dice 類似係数（DSC）、Jaccard 指数（JSC）、95 パーセンタイル Hausdorff 距離（HD95）、平均対称表面距離（ASSD）である。正解の TMTV（gtTMTV）と予測した TMTV（pTMTV）が一致するかは、Bland-Altman 解析と線形回帰分析で評価した。pTMTV の予後予測価値は、Cox 比例ハザード回帰分析で評価した。
結果：検証コホートでの各指標の平均値（±標準偏差）は次のとおりであった。DSC 0.702 ± 0.191、HD95 67.998 ± 99.220、JSC 0.561 ± 0.203、ASSD 16.992 ± 31.659。評価したモデルのなかで、セグメンテーション性能が最もよかったのは MedNeXt であった。gtTMTV の平均は 424.681 ± 498.811 cm³、pTMTV の平均は 405.871 ± 466.984 cm³ で、両者はよく一致していた。pTMTV は無増悪生存期間（PFS）と有意に関連した（P = 0.048）。一方、全生存期間（OS）とは有意な関連がなかった（P = 0.163）。
結論：MedNeXt で HL を信頼できる精度でセグメンテーションできた。ただし、腫瘍の境界の描出はさらに改善する必要がある。得られた pTMTV は、PFS の予後指標になる可能性がある。一方、全生存期間（OS）とは有意な関連がみられなかった。より大きなコホートでさらに検証する必要がある。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-07 時点の値、2026-10-08 に取得。正式な IF（Clarivate）ではない）書誌：Zhang H, Sun F, Yu H, Chen X, Shi Y, Teng Y, et al. MedNeXt-Based Automated Tumor Segmentation and TMTV Prognostication in Hodgkin Lymphoma PET Images: A Retrospective Study. Cancers. 2026 Oct 3;18(19):3196. doi:10.3390/cancers18193196.確認の範囲：抄録のみ確認 - Development and internal validation of a machine learning model for predicting second primary malignancy risk in hodgkin lymphoma survivors: a population-based competing risk analysis抄録（全訳）
ホジキンリンパ腫（HL）のサバイバーは、二次原発悪性腫瘍（SPM）を発症するリスクが長期にわたって高い。しかし、このリスクを正確に予測できる手段はまだ少ない。この研究の目的は、HL サバイバーの SPM リスクを予測する機械学習モデルを開発し、内部検証することである。モデルには競合リスクの枠組みを用いた。
Surveillance, Epidemiology, and End Results（SEER）データベースから、2006〜2020 年に HL と診断された 57,429 例を解析した。患者は、学習コホート（n = 40,201、70%）と内部検証コホート（n = 17,228、30%）に無作為に分けた。SPM の発生を予測するため、ランダムサバイバルフォレスト（RSF）モデルを作った。SPM を発症せずに死亡した例は、競合イベントとして扱った。モデルの性能を、従来の Fine-Grey 部分分布ハザード回帰と比べた。識別能は、時間依存の受信者動作特性曲線下面積（AUC）で評価した。較正はキャリブレーションプロットで評価した。臨床的な有用性は、決定曲線分析（DCA）で判断した。モデルの解釈には、SHapley Additive exPlanations（SHAP）解析を用いた。
追跡期間中に、4,954 例（8.6%）が SPM を発症した。9,750 例（17.0%）は SPM を発症せずに死亡した。RSF モデルの識別能は、すべての時点で Fine-Grey 回帰を上回った。AUC は 3 年で 0.721 対 0.549、5 年で 0.761 対 0.555、10 年で 0.804 対 0.553 であった。キャリブレーションプロットでは、予測したリスクと実際に観察されたリスクがよく一致していた。DCA により、幅広い閾値確率で RSF モデルのほうが正味の臨床的便益が大きいことが確かめられた。SHAP 解析では、最も影響の大きい予測因子は年齢であった。次いで病期、放射線治療の有無、人種、性別、化学療法の順であった。
RSF に基づく機械学習モデルは、競合リスクの枠組みで HL サバイバーの SPM リスクを正確に予測した。性能は従来の回帰手法を大きく上回った。この予測ツールは解釈可能である。HL サバイバーの個別化したサーベイランス戦略や、リスクに応じた経過観察に役立つ可能性がある。
掲載誌の IF 相当：2.3（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Li S, Xiong M, Gan Z, Lu H, Zhao Y, Huang H, et al. Development and internal validation of a machine learning model for predicting second primary malignancy risk in hodgkin lymphoma survivors: a population-based competing risk analysis. Hematology. 2026 Sep 28;31(1):2737562. doi:10.1080/16078454.2026.2737562. PMID: 42804656.確認の範囲：抄録のみ確認 - Evaluation of the detection accuracy of a fully automated AI-based lesion segmentation tool in whole-body FDG PET/CT for lymphoma抄録（全訳）
この研究では、AI による病変セグメンテーションツールを評価した。ツールは nnUNet アーキテクチャに基づく 2D-3D ハイブリッド深層学習モデルで、バックボーンには ResNet18 を用いている。偽陽性と、セグメンテーションに伴う定量誤差を減らすための後処理も組み込んでいる。
リンパ腫患者 72 例の全身 FDG PET/CT を後ろ向きに解析した。撮像には uMI550 デジタル PET/CT システムを用いた。患者の平均年齢は 39.2 ± 18.6 歳で、女性 33 例、男性 39 例であった。43.1% がホジキンリンパ腫、56.9% が非ホジキンリンパ腫であった。AI による自動セグメンテーションを、経験のある医師が手作業で描いた輪郭と比べた。性能は F1 スコア、感度、陽性的中率（PPV）で評価した。すべての PET 指標で、定量値がどれだけ一致するかを評価した。評価には Pearson 相関、一致相関係数（CCC）、級内相関係数（ICC）、回帰、Bland-Altman 解析を用いた。検出の差は McNemar 検定で評価した。Dice 類似係数（DSC）と画質指標との相関も調べた。
解析した病変は、AI によるもの 711 個、手作業によるもの 848 個であった。AI モデルの成績は、DSC 89.2%、感度 82.9、PPV 96.5 と非常に良好であった。検出性能のバランスがよいことを示す結果である。すべての定量パラメータで強い相関がみられた（r > 0.95、P < 0.001；CCC > 0.94；ICC > 0.94；95% 信頼区間 0.93〜0.99）。Bland-Altman 解析でのバイアスはごくわずかであった。DSC は、肝臓の信号雑音比（SNR）と中程度の負の相関を示した（r = −0.40、P < 0.001）。DSC は、肝臓の標準化取り込み値（SUV）の指標とは弱い相関を示した。
リンパ腫患者の全身 FDG PET/CT で、この全自動 AI セグメンテーションツールの病変検出精度は良好から非常に良好であった。手作業によるセグメンテーションとの定量的な一致度も高かった。検出性能を高めるには、モデルの改良を続け、部位ごとの学習も行う必要がある。
掲載誌の IF 相当：1.3（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Masogo T, Wadhwa P, Kaoma C, Seebarruth Y, Qebetu M, Banda K, et al. Evaluation of the detection accuracy of a fully automated AI-based lesion segmentation tool in whole-body FDG PET/CT for lymphoma. Z Med Phys. 2026 Sep [Epub ahead of print]. doi:10.1016/j.zemedi.2026.09.002. PMID: 42802086.確認の範囲：抄録のみ確認 - Microfluidic Light-Scattering Imaging Coupled with Deep Learning for Label-Free Single-Cell Classification of Lymphoma Cells抄録（全訳）
リンパ腫細胞のサブタイプを正確に分類することは、診断と治療方針の決定に欠かせない。しかし従来の方法は、蛍光標識、手間のかかる試料調製、専用の機器に頼ることが多い。そのため、標識を使わない（ラベルフリーの）迅速な単一細胞解析には使いにくい。
本研究では、リンパ腫細胞を標識なしで分類するための、AI 支援のマイクロ流体光散乱イメージングプラットフォームを提示する。AI を組み込んだマイクロ流体光散乱イメージングのプラットフォームである。このプラットフォームには、マイクロ流体チップ内の流体力学的フォーカシング、二次元（2D）光散乱パターンの連続取得、画像の自動前処理を組み込んだ。さらに、事前学習済みの ResNet50 ネットワークで転移学習を行う。これにより、光学的特徴をインテリジェントに抽出し、分類する。
評価には、ヒト B リンパ腫細胞（Daudi）と T リンパ芽球性リンパ腫細胞（SUP-T1）を用いた。まず、標準マイクロスフェアで光学イメージング系を検証した。その結果、連続フローの条件で光散乱パターンを安定して取得できることが確かめられた。次に、単一細胞の散乱パターン 800 個からなるデータセットを作り、層化 5 分割交差検証で評価した。平均分類精度は 94.75%、受信者動作特性（ROC）曲線下面積の平均は 0.986 であった。
この研究では、マイクロ流体による光学バイオセンシングと深層学習を統合した。これにより、細胞が本来もつ光散乱の特徴を自動で解釈できる。本研究は、標識なしで迅速に行うリンパ腫スクリーニングとインテリジェントな医療応用に向けて、AI を活用した有望な戦略を示す。
掲載誌の IF 相当：8.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Xie L, Wang M, Luo X, Xia S, Ren Q, Zhou X. Microfluidic Light-Scattering Imaging Coupled with Deep Learning for Label-Free Single-Cell Classification of Lymphoma Cells. Biosensors (Basel). 2026 Sep 7;16(9):500. doi:10.3390/bios16090500. PMID: 42783167; PMCID: PMC13604312.確認の範囲：全文を確認 - AI for prognostic assessment of diffuse large B-cell lymphoma using H&E whole-slide images抄録（全訳）
大細胞型B細胞リンパ腫／高悪性度B細胞リンパ腫（DLBCL/HGBCL）の転帰は、臨床的指標と分子検査をもとに予測している。分子検査には、MYC 再構成（MYC-R）の検出がある。MYC-R に BCL2・BCL6 転座が加わった型（ダブルヒット／トリプルヒット）の検出も含まれる。
しかし、転帰不良の DLBCL/HGBCL は MYC-R をもつリンパ腫に限らない。また、MYC-R を調べる蛍光 in situ ハイブリダイゼーション（FISH）検査では、高リスクのリンパ腫がいくつも見逃される。
本研究では、MYC-R を識別するよう学習させた人工知能（AI）で、予後不良のサブグループを切り分けられるかを調べた。
DLBCL/HGBCL のヘマトキシリン・エオジン（H&E）染色スライドをデジタル化し、コレクション（N = 2018）を作成した。各スライドには、MYC・BCL2・BCL6 の転座に関する注釈を付けた。
1035 枚の H&E 染色スライドを使い、多重インスタンス深層学習の AI モデルを作った。構築したのは、MYC-R を単独で、またはダブル／トリプルヒットとして識別する多重インスタンス深層学習 AI モデルである。評価は外部テストコホート（N = 499）で行った。
事前学習済みの腫瘍組織分類器を使い、モデルが腫瘍領域に注目するようにした。これにより、信頼性と解釈しやすさが高まった。
モデルのスコアは、DLBCL/HGBCL の形態上の「MYC らしさ（MYCness）」を反映する。外部テストコホートでは、このスコアが全生存期間（OS）・無増悪生存期間（PFS）と強く関連した。
この関連は、FISH の情報がない別の臨床テストコホート（N = 484）でも確かめられた。
AI モデルのスコアは、DLBCL/HGBCL のさまざまな分子的特徴と相関した。BCL2 と MYC の遺伝子発現や、高悪性度遺伝子発現シグネチャーと相関し、腫瘍微小環境の特徴とも相関した。
国際予後指標（IPI）の因子で調整した多変量解析で、本モデルの予後上の意義が示された。その意義は、PFS と OS のいずれについても、高リスク例を識別する点で認められた。
掲載誌の IF 相当：3.7（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Lippl J, Reinke S, Schrod S, Wolfseher L, Hüttl P, Huttner M, et al. AI for prognostic assessment of diffuse large B‐cell lymphoma using H&E whole‐slide images. Hemasphere. 2026 Aug 31;10(9):e70463. doi:10.1002/hem3.70463. PMID: 42676952; PMCID: PMC13528628.確認の範囲：全文を確認 - Predicting Primary Refractory Diffuse Large B-Cell Lymphoma: A Comparison of Machine Learning Models with the IPI Score抄録（全訳）
背景・目的： びまん性大細胞型B細胞リンパ腫（DLBCL）は、標準的な一次治療として免疫化学療法を行っても、臨床的な不均一性がまだ残る。 本研究では、機械学習（ML）モデルで一次治療抵抗性の DLBCL を予測できるかを評価した。モデルの入力には、日常的に得られる診断時の変数を用いた。
方法：単施設の後ろ向き研究で、2015〜2023 年に治療を受けた DLBCL 患者 369 例を対象とした。 一次治療抵抗性は、一次治療後に部分奏効以上を得られなかった場合と定義した。 学習させたモデルは、ロジスティック回帰、ランダムフォレスト、勾配ブースティング、多層パーセプトロンである。動径基底関数カーネルのサポートベクターマシン（SVM-RBF）も加えた。予測因子には、ベースラインの臨床所見と検査値を用いた。 性能の評価には、層別化した 80/20 のホールドアウト分割、入れ子交差検証、ランダム分割の繰り返しを用いた。ハイパーパラメータをすべて調整し直す感度分析も行った。
結果：一次治療抵抗性は 111 例（30.1%）でみられた。 ホールドアウトのテストセット（n = 73）では、判別能が最も高かったのは IPI であった（AUC 0.692、95% 信頼区間 0.545〜0.828）。 ML モデルの中では勾配ブースティングが最もよかった（AUC 0.658、95% 信頼区間 0.503〜0.801）。次いで SVM-RBF であった（AUC 0.619、95% 信頼区間 0.471〜0.760）。 DeLong 検定で比べると、ML モデルと IPI の間に有意差はなかった。 内部検証では、入れ子交差検証の AUC が最も高かったのは勾配ブースティングであった（0.712 ± 0.049）。 特徴量の重要度では、IPI が最も支配的な予測因子であった。 ML 由来の重み付き臨床スコアにより、抵抗性の割合が最も高い（52.9%）高リスク群が同定された。ただし、この傾向は統計的に有意ではなかった（P = 0.063）。
結論：一次治療抵抗性 DLBCL の予測で、ML モデルの性能は IPI と同程度であり、上回りはしなかった。 この結果は、外部検証をさらに行うことを支持する。また、リスクに応じた管理に向け、臨床的に解釈しやすいマルチモーダルな予測の枠組みを開発する根拠にもなる。
掲載誌の IF 相当：4.0（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-30 に取得。正式な IF（Clarivate）ではない）書誌：Minciuna CD, Minciuna D, Vasilache IA, Miron L. Predicting Primary Refractory Diffuse Large B-Cell Lymphoma: A Comparison of Machine Learning Models with the IPI Score. J Clin Med. 2026 Aug 27;15(17):6628. doi:10.3390/jcm15176628. PMID: 42739634; PMCID: PMC13566510.確認の範囲：全文を確認 - Integrated Clinical-Molecular Risk Stratification in Diffuse Large B-Cell Lymphoma: Machine Learning Survival Analysis抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）の臨床転帰は、患者によって大きく異なる。
国際予後指標（IPI）などの臨床指標は広く使われているが、予測の精度にはまだ限りがある。
分子的特徴を臨床的特徴と組み合わせれば、より精密な予後モデルを作れる見込みがある。そうしたモデルは、リスク層別化の改善と治療戦略の個別化につながりうる。
本研究の目的は、DLBCL 患者の全生存期間（OS）と再発に影響する主な因子を系統的に特定することである。解析には、公開されているトランスクリプトームデータと臨床情報を活用した。
さらに、機械学習で精度の高いリスク予測モデルを作って検証し、個々の患者に合わせた臨床判断に役立てることを目指した。
GSE31312 コホートから臨床データとトランスクリプトームデータを集めて整理した。
まず、多変量 Cox 回帰で基準となる臨床モデルを作った。
予後に関わる主な遺伝子は、単変量 Cox 解析と生存解析で特定した。
次に、3 種類の機械学習生存モデルを学習させ、5 分割交差検証で評価した。高速生存サポートベクターマシン（FastSurvivalSVM）、勾配ブースティング生存解析（GBSurvival）、ランダムサバイバルフォレスト（RSF）である。
最適なモデルの解釈には、Shapley Additive Explanations（SHAP）法を用いた。
基準の臨床モデルで、OS と無再発生存期間の独立したリスク因子が確かめられた。独立した危険因子は、年齢、乳酸脱水素酵素の上昇、Eastern Cooperative Oncology Group スコア、Ann Arbor 病期、B 症状であった。C-index は 0.65〜0.67 であった。
分子レベルでは、PSMG4 や CRY1 などの遺伝子が OS 不良と有意に関連した。再発予測では、TMEM182 と SPIRE1 が際立っていた。
機械学習モデルの中では、FastSurvivalSVM の総合性能が最も高かった。曲線下面積（AUC）は、1 年 OS の予測で 0.791、1 年再発の予測で 0.774 であった。
SHAP 解析では、モデルの予測を主に動かす重要な特徴が明らかになった。その特徴は、臨床的特徴（IPI、年齢など）と分子的特徴（PSMG4、SPIRE1 など）の両方であった。
本研究では、臨床的特徴と分子的特徴を統合した、DLBCL の多次元リスク予測モデルの開発に成功した。
FastSurvivalSVM モデルは、死亡と再発のリスク予測で優れた性能を示した。
解釈性の解析で、主要な予後因子が明らかになった。この成果は、個別化したリスク管理に役立つツールとなる。また、今後の機序研究に向けた新たな理論的示唆も得られた。
掲載誌の IF 相当：6.7（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Zhao J, Wen X, Ma L, Su L. Integrated Clinical-Molecular Risk Stratification in Diffuse Large B-Cell Lymphoma: Machine Learning Survival Analysis. JMIR Med Inform. 2026 Aug 21;14:e84636. doi:10.2196/84636. PMID: 42627678; PMCID: PMC13545529.確認の範囲：全文を確認 - Deep learning-based PET/CT mixture-of-experts model for relapse risk stratification in relapsed/refractory classical hodgkin lymphoma: a multicenter study抄録（全訳）
再発・難治性の古典的ホジキンリンパ腫（R/R cHL）は、再発リスクが患者ごとに大きく異なる。再発リスクの不均一性が大きく、臨床での対応は依然として難しい。
再発リスクをより適切に層別化できる、信頼性の高い非侵襲的な手法が急いで求められている。そうした手法は、個別の治療戦略を決める助けになる。
この多施設の後ろ向き研究では、5 施設の R/R cHL 患者 161 例を対象とした（学習コホート n = 102、検証コホート n = 59）。
臨床的・代謝的な共変量は、再発または難治となった時点で評価した。あわせて、救援療法前のベースライン 18F-FDG PET/CT も評価した。
深層学習による混合エキスパート（Mixture-of-Experts：MoE）の枠組みを作った。深層学習に基づく Mixture-of-Experts（MoE）の枠組みで、4 つの医療用基盤モデル（PET-Diffusion、SAM-Med2D、MedCLIP、RadFM）を統合した。この枠組みで、ベースラインの 18F-FDG PET/CT から定量的な画像バイオマーカー（MoEScore）を導出した。
MoEScore と独立した臨床・代謝予測因子を組み込んだ、多パラメータモデルも構築した。多パラメータモデルは、判別能、較正、臨床的有用性の観点から評価した。
モデルの解釈性は、注意（attention）の可視化、アブレーション解析、病理所見との対応づけで評価した。
MoEScore には予測性能があり、AUC は学習コホートで 0.861、検証コホートで 0.783 であった。MoEScore は再発と独立して関連し、ハザード比は 11.18（95% 信頼区間 2.48〜50.45、P = 0.002）であった。
多パラメータモデルの C-index は、学習コホートで 0.785、検証コホートで 0.717 であった。比較した臨床モデルと臨床・代謝モデルの C-index は 0.598〜0.752 であった。
MoEScore は、再発例と難治例のいずれのサブグループでも、一貫して再発リスクを層別化できた。
探索的な解釈性解析では、モデルの注目領域（saliency）は主に代謝活性の高い病変に局在していた。また、CT より PET のほうが相対的な寄与が大きいことが示唆された。
MoEScore の分布は、既知の病理組織学的サブタイプのパターンとおおむね一致した。この一致は、生物学的な評価をさらに進める根拠となる。
本研究は、R/R cHL の再発リスク層別化に向けた、探索的で非侵襲的な深層学習の枠組みを示した。
MoE モデルでは、マルチモーダル画像と専門家レベルの表現を統合した。従来の指標を超えて、腫瘍の不均一性を捉えられる可能性がある。さらに検証を重ねれば、リスクに応じた治療戦略の判断に役立つ可能性がある。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Jiang C, Jiang Z, Zhang X, Zhang Z, Teng Y, Zhou H, et al. Deep learning-based PET/CT mixture-of-experts model for relapse risk stratification in relapsed/refractory classical hodgkin lymphoma: a multicenter study. Eur J Nucl Med Mol Imaging. 2026 Aug 19;53(13):8358-71. doi:10.1007/s00259-026-08146-0. PMID: 42613444.確認の範囲：抄録のみ確認 - Self-supervised multimodal swin UNETR for PET/CT segmentation of diffuse large B-cell lymphoma抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）の病変を正確に切り出すこと（セグメンテーション）は、PET/CT による定量に欠かせない。DLBCL の正確なセグメンテーションは、PET/CT による信頼できる定量と総代謝腫瘍体積（TMTV）の推定に欠かせない。しかし深層学習の手法の多くは、注釈付きの限られたデータと従来型の畳み込み構造に頼っている。そのため、汎化性能や学習の安定性が制約されるおそれがある。本研究では、大規模な自己教師あり事前学習で強化した、マルチモーダル PET/CT 用の Swin UNETR の枠組みを提案する。
単施設で計 717 件の FDG-PET/CT 画像を集めた。内訳は、自己教師あり事前学習に使う注釈なしの 500 件と、教師あり学習に使う専門家注釈付きの 217 件である。注釈付きのデータは無作為に分け、174 件を学習用とし、43 件を独立した保留テストコホートとした。空間的な一貫性を保つため、標準化した前処理を行った。空間的な一貫性を保つため、等方性リサンプリングとボクセルの調和を含む標準化した前処理を行った。
内部の保留テストセットで、提案した SSL + PET/CT Swin UNETR（SSL：自己教師あり学習）の成績は次のとおりだった。Dice 係数 0.723（95% 信頼区間 0.70〜0.75）、IoU（重なり率）0.648、ハウスドルフ距離（HD）15.0 mm、HD95 8.8 mm である。教師ありのベースラインモデルと比べて評価した（P < 0.001、ウィルコクソン符号順位検定）。TMTV の回帰分析では、正解値と強く相関した（R² = 0.929）。Bland-Altman 評価で、系統的な偏りはわずかだった。
これらの結果から、マルチモーダルな自己教師あり学習で、PET/CT 画像での DLBCL 病変の自動セグメンテーションを改善できる可能性が示された。これらの結果は、頑健な定量的画像解析に関する今後の研究を支えるものである。
掲載誌の IF 相当：1.4（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Keshavarz S, Saeedzadeh E, Arabi H, Jenabi-Haghparast E, Sardari D. Self-supervised multimodal swin UNETR for PET/CT segmentation of diffuse large B-cell lymphoma. Cancer Treat Res Commun. 2026;49:101369. doi:10.1016/j.ctarc.2026.101369. PMID: 42612285.確認の範囲：抄録のみ確認 - A Dual-Center, Interpretable Deep Learning-Radiomics Fusion Model for Distinguishing Nasopharyngeal Carcinoma from Nasopharyngeal Lymphoma Using FDG PET/CT抄録（全訳）
上咽頭がん（NPC）と上咽頭リンパ腫（NPL）を正確に見分けることは、治療方針を決めるうえで欠かせない。本研究の目的は、陽電子放出断層撮影／コンピュータ断層撮影（PET/CT）を使って解釈可能な深層学習・ラジオミクス融合モデルを作り、外部データで検証することである。2施設の後ろ向き研究で、患者 434 例（内部 349 例、外部 85 例）を登録した。対象は、病理で NPC または NPL と確定した未治療の患者で、治療前に FDG PET/CT を受けていた。ラジオミクス特徴量 1688 個と、3D-ResNet50 による深層学習特徴量を抽出した。3段階で特徴量を選び、マルチモーダルのロジスティック回帰モデルを作った。性能は外部テストセットで評価した。解釈には SHapley Additive exPlanations（SHAP）解析を用いた。
この後ろ向き2施設研究では、計 434 例（原発病変 434 個）を登録した。内訳は内部コホート 349 例、外部コホート 85 例だった。このうち NPC は 329 例（75.8%、内部 266 例、外部 63 例）、NPL は 105 例（24.2%、内部 83 例、外部 22 例）だった。平均年齢は、NPC 患者で 50.5 ± 13.8 歳、NPL 患者で 59.0 ± 16.5 歳だった。
最終的な融合モデル（ALL モデル）の外部検証での成績は、曲線下面積（AUC）0.833、特異度 95.5%、正確度 75.3% だった。単一モダリティのモデルはいずれも下回った（すべて P < 0.05）。SHAP 解析で、主要な予測因子を特定した。SHAP解析で重要とされた予測因子は、NPL では original_shape_MinorAxisLength_PET と lbp-3D-k_glrlm_RunLengthNonUniformity_PET、NPC では wavelet-LLL_firstorder_Maximum_CT である。
著者らは、NPC と NPL を見分ける頑健で解釈可能な融合モデルを作った。このモデルは特異度が高く、判断の根拠も透明である。非侵襲的な臨床意思決定支援ツールになる可能性がある。
掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Liang M, Guo C, Gao X, Li H, Yang M, Jing Y, et al. A Dual-Center, Interpretable Deep Learning-Radiomics Fusion Model for Distinguishing Nasopharyngeal Carcinoma from Nasopharyngeal Lymphoma Using FDG PET/CT. Acad Radiol. 2026 Aug [Epub ahead of print]. doi:10.1016/j.acra.2026.07.060. PMID: 42603752.確認の範囲：抄録のみ確認 - Predictive value of 18 F-FDG PET/CT PyRadiomics features using a tabular deep learning model for cancer-related cognitive impairment in patients with DLBCL without CNS involvement抄録（全訳）
本研究の目的は、中枢神経系浸潤のないびまん性大細胞型B細胞リンパ腫（non-CNS DLBCL）の患者で、がん関連認知機能障害（CRCI）を予測する能力を評価することである。手作業で設計した 18 F-FDG PET/CT の PyRadiomics 特徴量と臨床データで、表形式データ用の深層学習モデルを学習させ、予測能を評価した。
脳の 18 F-フルオロデオキシグルコース（18 F-FDG）PET/CT を受けた non-CNS DLBCL 患者 112 例を、後ろ向きに解析した。モントリオール認知評価（MoCA）と、がん治療の機能評価―認知機能（FACT-Cog）の点数で、患者を2群に分けた。患者は CRCI 群 73 例と非 CRCI 群 39 例に分けた。さらに 8:2 の比で、学習セット（n=89）とテストセット（n=23）に無作為に分けた。モデル開発では、学習セットの中で5分割交差検証を行った。AUC の 95% 信頼区間は、ブートストラップ再標本化で推定した。
脳の領域は MOOSE120 ソフトウェアで自動的に切り出した。特徴量は、MOOSE120 で自動分割した脳領域から PyRadiomics で抽出した。手作業で設計したこれらの PET/CT ラジオミクス特徴量と臨床変数を、構造化した表形式データとして整理した。PET/CT の元画像は、モデルに直接入力していない。特徴量は相関係数で選んだ。7種類の表形式深層学習モデルの性能を、受信者動作特性（ROC）曲線と決定曲線分析（DCA）で評価した。入力の種類（臨床、PET、CT、それらの組み合わせ）による違いも比べた。各特徴量の寄与は、シャプレー加法説明（SHAP）で解釈した。
予測性能が最も高かったのは、AutoInt と Neural Oblivious Decision Ensembles（NODE）である。曲線下面積（AUC）は、学習でそれぞれ 0.905 と 0.904、テストで 0.858 と 0.808 だった。DCA では、臨床的有用性の可能性が示唆された。入力の種類別の解析では、CT・PET・臨床の特徴量を統合した AutoInt モデルが、学習 AUC 0.905、テスト AUC 0.858 だった。AutoInt に与えた入力の組み合わせのうち、テストセットで最も良い成績を示した。SHAP 解析では、左後頭葉の CT テクスチャ特徴量がモデルへの寄与で最上位だった。その平均絶対寄与スコアは約 0.0078 である。
手作業で設計した PET/CT の PyRadiomics 特徴量に基づく表形式深層学習モデルは、non-CNS DLBCL 患者の CRCI 予測で予備的な可能性を示した。評価したモデルのうち、探索的な内部テストセットで最も良い成績を示したのは AutoInt である。PET、CT、臨床の表形式特徴量を統合すると、CRCI の予測に互いを補う情報が得られる可能性がある。SHAP 解析では、左後頭葉の CT テクスチャ特徴量が寄与の最上位だった。ただしこの所見は探索的なものとみるべきで、検証済みのバイオマーカーではない。
掲載誌の IF 相当：2.8（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：Wang J, Dong Y, Xu N, Ma X, Liu Y, Zhao Q. Predictive value of 18F-FDG PET/CT PyRadiomics features using a tabular deep learning model for cancer-related cognitive impairment in patients with DLBCL without CNS involvement. Front Oncol. 2026 Aug 12;16:1861773. doi:10.3389/fonc.2026.1861773. PMID: 42656315; PMCID: PMC13506380.確認の範囲：全文を確認 - Personalizing Maintenance Rituximab in Follicular Lymphoma: A Machine Learning Framework for Risk-Benefit Optimization抄録（全訳）
背景：濾胞性リンパ腫に対するリツキシマブ維持療法（MT）は、無増悪生存期間を改善する。しかし、得られる利益は患者ごとに異なる。そのため過剰治療と、それに伴う負担を避けることが強く求められている。
方法：後ろ向きの患者 404 例のコホートを用い、二重機械学習（double machine learning）の枠組みを構築した。この枠組みで、24 か月以内に病勢が進行するリスクに対する MT の個別の治療効果を推定した。
結果：このモデルで、治療の利益に患者ごとのばらつき（異質性）があることが分かった。利益を得る可能性が最も高い患者と、そうでない患者を見分けることができた。後ろ向きの模擬適用では、MT を省略できる可能性のある「低リスク・低利益」の部分集団が同定された。さらに、過去の臨床判断がモデルの推奨と一致していた場合、一致していなかった場合より進行率は低かった（14.8% 対 38.0%）。ただし、この所見は関連として得られたものである。幅広い感度分析を行った。広範な感度分析により、この治療効果の異質性は、未測定の交絡や診療の時代変化があっても頑健であることが確認された。
結論：このデータ駆動型の枠組みは、予後としてのリスクと、予測される治療利益とを分離する。更新した対話型の臨床意思決定ツールが、これを支える。これにより、MT を個別化する頑健な方策となる。仮説を生むための雛形であり、今後の前向きなリスク適応型試験の指針となって、がん診療での不要な治療の削減につながる。
掲載誌の IF：不明（照合できず）書誌：Gao J, Liu J, Li X, Wu M, Cui R, Huang Y, et al. Personalizing Maintenance Rituximab in Follicular Lymphoma: A Machine Learning Framework for Risk–Benefit Optimization. Health Data Sci. 2026 Aug 12;6:0467. doi:10.34133/hds.0467. PMID: 42591699; PMCID: PMC13462244.確認の範囲：全文を確認 - End-to-end deep learning pipeline for automated IMRT planning in lymphoma: Feasibility and limitations抄録（全訳）
強度変調放射線治療（IMRT）は、リンパ腫で広く使われている。マルチリーフコリメータ（MLC）を使うと、不整形の標的の周りに合わせて線量を形づくれるためである。ただし治療計画の作成には時間がかかり、標準化も難しい。深層学習（DL）を使ったフルエンスマップ予測（FMP）は、計画の自動化に使える可能性がある。しかし、全身のリンパ腫ではまだ評価されていない。全身のリンパ腫では、処方線量、リスク臓器（OAR）の組、解剖学的な病変の現れ方が大きく異なる。本研究では、複数の DL 構成を評価した。目的は、これらがリンパ腫に適応でき、臨床の治療計画システム（TPS）で照射可能な IMRT 計画を作れるかを調べることである。本研究では、症例ごとの違いが大きいリンパ腫で、DL による線量予測・フルエンス予測の実現可能性と限界を検討した。
単施設のリンパ腫コホート（571 例、619 計画）を用いた。臨床で使われた強度変調回転照射（VMAT）の計画を、Eclipse Scripting API（ESAPI）で再計画した。再計画では、条件をそろえた 15 門の IMRT 基準計画を作った。これにより、ビーム単位のペアが 9285 組得られた。著者らは 2 段階の DL パイプラインを構築した。まず CT と計画標的体積（PTV）から、ビームごとの線量を予測する。次に、その線量をフルエンスに変換する。最後に、リーフシーケンシング後の対応する線量を TPS で計算した。アーキテクチャと学習方法の異なる複数の変法を評価した。評価した構成は、計画の再現を重視したモデルから、DVH に基づく臨床的損失関数を用いた構成までである。後者は、単純な計画の再現にとどまらないことを狙った構成である。各構成について、これらの選択が予測線量の現実性と得られた計画の質にどう影響するかを解析した。
第 1 段階（線量予測）では、再現重視の DL モデルは数値上、IMRT と VMAT の基準計画に劣った。一方、DVH を指標とする変法では、標的の DVH が基準計画より優れていた。フルエンス変換と TPS でのシーケンシングの後は、全構成で装置が照射可能な IMRT 計画が得られたが、標的への線量集中は基準計画より低く、ホットスポットは大きかった。ただし基準計画と比べると、標的のカバー率は低く、ホットスポットは高かった。フルエンスは MLC シーケンシングでもおおむね保たれていた。このため、現在の限界は主に予測された線量分布と、学習した線量からフルエンスへの変換に由来すると考えられる。すなわち、限界の主因は、予測された線量分布と、学習した線量からフルエンスへの変換にある。
DL による線量予測・フルエンス予測により、症例ごとの違いが大きいリンパ腫でも、迅速で装置が照射可能な IMRT 計画を作成できる。その計画は臨床で許容されうる範囲にある。ただし線量分布の面では、手作業で作った IMRT や VMAT の計画にまだ劣る。ただし線量学的には手動の IMRT や VMAT に及ばず、この領域での自動計画には現時点で限界がある。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Kutnár D, Vogelius IR, Georgiev HA, Håkansson KE, Specht L, Petersen J. End‐to‐end deep learning pipeline for automated IMRT planning in lymphoma: Feasibility and limitations. J Appl Clin Med Phys. 2026 Aug 4;27(8):e70702. doi:10.1002/acm2.70702. PMID: 42552717; PMCID: PMC13438194.確認の範囲：全文を確認 - Early Follicular Lymphoma Grading via PET-CT Fusion and Bayesian Deep Learning抄録（全訳）
個別化治療には、濾胞性リンパ腫（FL）のグレードを正確に分類することが欠かせない。しかし、生検による病理組織診断は侵襲的である。観察者間のばらつきという限界もある。こうした限界に対処するため、著者らは PET-CT 画像を使う人工知能（AI）の枠組みを作った。医師の判断を踏まえた FL のグレード分類を、PET-CT 画像で支援する人工知能の枠組みを示す。この手法には、改良した二重識別器条件付き GAN（DDCGAN）を組み込んだ。DDCGAN には類似度と色度の制約を加えた。この手法で、代謝と構造の手がかりを保ったまま、課題に特化した融合画像を生成する。さらにベイズ ResNet を導入し、予測の不確実性を明示的にモデル化した。これにより、隣り合う FL グレード I と II の分類のあいまいさを解消できる。
FL とびまん性大細胞型 B 細胞リンパ腫（DLBCL）を含む多施設の 837 例のデータセットで、厳密に評価した。その結果、この枠組みは汎化性能に優れることが示された。正解率は 0.871、適合率は 0.875、マクロ F1 は 0.816 であった。単一モダリティのモデルや、既存の最先端の融合モデルを上回った。課題に合わせた画像融合と不確実性の考慮を備えたこの枠組みは、実用性が高く非侵襲的な意思決定支援ツールとなる。病院の業務フローで、臨床判断を拡張可能な形で支える。
掲載誌の IF 相当：3.9（OpenAlex の直近 2 年の平均被引用数・2026-10-13 時点の値、2026-10-15 に取得。正式な IF（Clarivate）ではない）書誌：Qian C, He L, Jiang Q, Zhou H, Jiang Z, Teng Y, et al. Early Follicular Lymphoma Grading via PET-CT Fusion and Bayesian Deep Learning. J Imaging Inform Med. 2026 Aug 4 [Epub ahead of print]. doi:10.1007/s10278-026-02124-6. PMID: 42552270.確認の範囲：抄録のみ確認 - Prediction of Lymphoma Bone Marrow Infiltration by Machine Learning Models Based on Fluorine-18 Fluorodeoxyglucose Positron Emission Computed Tomography抄録（全訳）
骨髄浸潤のあるリンパ腫患者は予後が悪い。そのため臨床管理では、骨髄浸潤を確実に確かめる方法が欠かせない。本研究は、多様な臨床データを用いて、骨髄浸潤に影響する因子を特定し、リンパ腫の骨髄浸潤を予測する機械学習モデルを構築することを目的とした。モデルで骨髄浸潤に影響する因子を特定し、リンパ腫の骨髄浸潤を予測する。
後ろ向き研究で、骨髄浸潤のあるリンパ腫患者 243 例と、骨髄浸潤のない患者 541 例を対象とした。8 種類の機械学習アルゴリズムでモデルを構築した。モデルは、臨床的特徴、臨床検査値、フッ素 18 フルオロデオキシグルコース陽電子放出断層撮影／コンピュータ断層撮影（PET/CT）のデータに基づいて構築した。モデルの性能は、曲線下面積（AUC）と正解率で評価した。組み入れバイアスの可能性を評価するため、病理で骨髄浸潤が確認されたコホートで感度分析を行った。
リンパ腫の骨髄浸潤と相関した因子は次のとおりである。血小板数、ヘモグロビン、血清乳酸脱水素酵素、リンパ節病変の分布、骨浸潤の特徴、胸骨・胸椎・腰椎・仙骨・大腿骨の最大標準化取り込み値（SUVmax）が、リンパ腫の骨髄浸潤と相関した。SUVmax の部位は、胸骨、胸椎、腰椎、仙骨、大腿骨であった。テストセットでは、ランダムフォレスト（RF）モデルの性能が最もよかった（AUC = 0.842、正解率 = 80.9%）。病理で確定した例のサブグループ解析でも、RF モデルの性能は安定していた（AUC = 0.846、正解率 = 82.5%）。
RF モデルは、日常の臨床データ、検査データ、PET/CT データによるリンパ腫の骨髄浸潤の予測に有力なツールである（AUC = 0.774、正解率 = 80.3%）。骨髄浸潤の評価、PET/CT の読影、定量的なリスク層別化に向けた有望な手法となる。
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：Zhang Z, Yang T, Liu D, Sa R, Guan F. Prediction of Lymphoma Bone Marrow Infiltration by Machine Learning Models Based on Fluorine-18 Fluorodeoxyglucose Positron Emission Computed Tomography. JCO Glob Oncol. 2026 Jul;12(7):e2600078. doi:10.1200/go-26-00078. PMID: 42525912.確認の範囲：抄録のみ確認 - Multi-Modal Ultrasound-Based Prognostic Model for Diffuse Large B-Cell Lymphoma with Predominantly Superficial Lymph Node Involvement抄録（全訳）
目的：超音波に基づき、ラジオミクス、深層学習、臨床特徴を統合したマルチモーダルなモデルを開発することを目的とした。このモデルは、ラジオミクス、深層学習、臨床的特徴を統合したものである。対象は表在リンパ節病変を伴うびまん性大細胞型 B 細胞リンパ腫（DLBCL）で、無増悪生存期間（PFS）の予測を目指した。
方法：標準レジメンで治療された、表在リンパ節病変のある DLBCL 患者 281 例を後ろ向きに登録した。患者は 7:3 の比で訓練セットとテストセットに割り付けた。超音波のラジオミクス特徴量は PyRadiomics で抽出した。深層学習の特徴量は、転移学習を用いた DenseNet121 から得た。特徴量の選択には、Pearson 相関によるフィルタリングと、LASSO（least absolute shrinkage and selection operator）-Cox 回帰を使った。特徴量選択の後、5 つの予後モデルを比較した。比較には、C-index、時間依存の曲線下面積（AUC）、リスク層別化、決定曲線解析を用いた。
結果：テストセットで C-index が最も高かったのは統合モデルで、0.811 であった。1 年・2 年・3 年の PFS の AUC は、それぞれ 0.826、0.812、0.810 であった。リスク層別化では、高リスク群の PFS が有意に悪かった（P < 0.01）。さらに、個別予測の暫定的な参考として、可視化したノモグラムを作成した。
結論：表在リンパ節の特徴に基づくこのマルチモーダル統合予測モデルと対応するノモグラムは、DLBCL の予後評価とリスク層別化を、実用的かつ直感的に行える有望な可能性を示した。
掲載誌の IF 相当：4.0（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）書誌：Wang J, Mu J, Yang Y, Meng X, Song Y. Multi-Modal Ultrasound-Based Prognostic Model for Diffuse Large B-Cell Lymphoma with Predominantly Superficial Lymph Node Involvement. Diagnostics (Basel). 2026 Jul 23;16(15):2311. doi:10.3390/diagnostics16152311. PMID: 42587550; PMCID: PMC13465404.確認の範囲：全文を確認 - Optimal peritumoral regions and fusion strategies for prediction of the double-expressor subtype in diffuse large B-cell lymphoma: a multi-region radiomics study抄録（全訳）
目的は、びまん性大細胞型B細胞リンパ腫（DLBCL）のダブルエクスプレッサーリンパ腫（DEL）亜型を、PET/CT のラジオミクスモデルで非侵襲的に予測することである。対象は 2019年1月から2025年7月に連続登録した DLBCL 患者 143 例（DEL 55 例、非 DEL 88 例）である。これらを 7:3 の比で訓練群と内部検証群に無作為に分けた。
最適な腫瘍周囲領域を探すため、腫瘍の周囲を 3 mm、5 mm、10 mm 広げた領域からラジオミクス特徴量を抽出した。次に、腫瘍内と腫瘍周囲をあわせて解析するため、これらの特徴量を複数の融合戦略で統合した。戦略は多領域融合、画像融合、特徴量融合の 3 つである。
事前学習済みの ResNet-50 をもとに転移学習モデルを作った。このモデルを、ベースラインの PET 特徴量を含む臨床モデルと組み合わせた。こうして 3 つの統合モデル（Clinic+Rad+DL、Stacking、Ensemble）を構築した。各モデルの性能を評価して最良の手法を選んだ。解釈しやすくするため、SHAP 解析も行った。
最も性能が高かったのは Rad_MLP モデルで、腫瘍内と 10 mm の腫瘍周囲の特徴量を統合していた。正確度は 85.3%、感度は 89.5%、特異度は 79.2% だった。陽性的中率（PPV）は 0.773、陰性的中率（NPV）は 0.905、F1 スコアは 0.829 だった。
Rad_MLP は、予測力の最も高い腫瘍内と腫瘍周囲の特徴量を統合することで、DLBCL の DEL サブタイプを非侵襲的に予測する精度を大きく高める。これにより、DLBCL の DEL 亜型を非侵襲的に予測する精度が大きく向上する。
掲載誌の IF 相当：2.8（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：Zhong Q, Lu G, Liang J, Peng Q, Tian R, Zhang G. Optimal peritumoral regions and fusion strategies for prediction of the double-expressor subtype in diffuse large B-cell lymphoma: a multi-region radiomics study. Front Oncol. 2026 Jul 23;16:1877578. doi:10.3389/fonc.2026.1877578. PMID: 42564139; PMCID: PMC13442022.確認の範囲：全文を確認 - Development and multicenter validation of an AI-driven detection system for DLBCL cells in bone marrow smears抄録（全訳）
骨髄（BM）塗抹標本にびまん性大細胞型B細胞リンパ腫（DLBCL）細胞が見られることは、DLBCL の骨髄浸潤を診断する形態学上の主な根拠とされている。骨髄浸潤は、病期分類、治療方針、予後評価に直接かかわる。しかし、骨髄塗抹標本中の DLBCL 細胞を顕微鏡で人が見分ける従来の方法には問題がある。時間がかかり、観察者による差が出やすく、病院間で標準化されていない。
本研究では、深層学習を用いた人工知能（AI）検出システム DLBCL-CQnet を開発した。用いたのは、4 施設の初発 DLBCL 患者 117 例の骨髄塗抹標本である。DLBCL-CQnet は 2 つのモデルからなる。MobileNetV2 による関心領域（ROI）分類モデルと、YOLOv8 による細胞検出・分類モデル（CDC-MOD）である。性能は、正確度、適合率、再現率、F1 スコアで評価した。IoU（intersection over union）閾値 0.5 での平均適合率の平均（mAP50）も評価に用いた。
ROI 分類で最も性能が高かったのは MobileNetV2 である（正確度 0.925、適合率 0.922、F1 スコア 0.919）。YOLOv8 による DLBCL 細胞の検出では、分類正確度が 0.890、mAP50 が 0.934 だった。システム全体では、ROI 分類の正確度は 0.925、細胞分類の正確度は 0.890 だった。IoU 閾値 0.5 での平均適合率の平均（mAP50）は 0.934 だった。DLBCL 細胞による骨髄浸潤を判定する最適なカットオフ値は 2.12% だった。このとき特異度は 0.941、陽性的中率（PPV）は 0.923 で、診断価値が高いことが示された。認識速度は人による評価を大きく上回り、所要時間を大幅に減らせる。
DLBCL-CQnet により、施設を問わず、骨髄塗抹標本中の DLBCL 細胞を自動的かつ標準化して識別できる。DLBCL の骨髄浸潤を評価する際の、信頼できる診断補助ツールになる。特異度が高く運用効率もよいため、診断の流れを効率化できる。資源の限られた環境では、とくにその効果が大きい。
掲載誌の IF 相当：5.9（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Ran L, Peng Y, Wu X, Yao Y, Li Z, Chen S, et al. Development and multicenter validation of an AI-driven detection system for DLBCL cells in bone marrow smears. Sci Rep. 2026 Jul 17;16(1):32775. doi:10.1038/s41598-026-59908-7. PMID: 42469316.確認の範囲：抄録のみ確認 - Mantle cell lymphoma artificial intelligence prognostic index using hematoxylin and eosin histology抄録（全訳）
マントル細胞リンパ腫（MCL）の臨床経過は、患者ごとに異なる。MCL 患者を新しい治療戦略に割り振るには、リスクを早く見つけることが欠かせない。確立された転帰のバイオマーカーの多くは、専門の訓練を受けた病理医か分子解析を必要とする。
予後を評価するため、深層学習アルゴリズム MAIPI（MCL Artificial Intelligence Prognostic Index）を開発した。学習に用いたのは、ヘマトキシリン・エオジン（H&E）染色画像だけである。画像は、臨床試験に参加した MCL 患者 n = 428 例の診断時生検から得た。MAIPI の転帰予測能は、独立したコホート n = 140 例で検証された。このコホートの患者は、イブルチニブ併用または非併用の免疫化学療法を受けていた。
MAIPI は、注目すべき領域を自動で選び出す。その予後情報は、MCL 国際予後指標（MIPI）や Ki67 とは独立している。分子検査も、専門の病理医による評価も必要としない。
掲載誌の IF 相当：7.4（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Lippl J, Reinke S, Koch K, Oschlies I, Schrod S, Wolfseher L, et al. Mantle cell lymphoma artificial intelligence prognostic index using hematoxylin and eosin histology. Leukemia. 2026 Jul 7;40(9):1961-7. doi:10.1038/s41375-026-03036-8. PMID: 42414604; PMCID: PMC13506322.確認の範囲：全文を確認 - Identifying Distinct Molecular Subtypes and Establishing a Prognostic Framework for DLBCL Patients via Multiomics Analysis and Machine Learning Approaches抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）は、不均一性がきわめて大きい。この不均一性が、臨床転帰のばらつきの背景にある。この複雑さを読み解くため、単一細胞解析とゲノム解析を統合して行った。
単一細胞RNAシーケンス（scRNA-seq）データ（GSE182434）を解析した。その結果、DLBCL の生態系の中に、6 つの異なる悪性 B 細胞サブクラスター（MB1-MB6）が見つかった。細胞間コミュニケーション解析により、複雑な相互作用ネットワークが明らかになった。とくに MIF 経路と補体経路が関与していた。
バルクのトランスクリプトームデータ（GSE32918）でも予後を解析した。全生存期間の不良と最も強く関連する因子は、MB5 関連遺伝子シグネチャーだった。MB5 サブグループは、増殖過程の亢進、腫瘍遺伝子変異量の高さ、特定の共変異と関連していた。MB5 のマーカー遺伝子をもとに、頑健な CoxBoost-RSF 機械学習モデルを開発・検証した。このモデルで、独立コホートの患者のリスクを有効に層別化できた。
本研究は、MB5 悪性 B 細胞サブグループを DLBCL の悪性度を高める主なドライバーと位置づけた。本研究は、新しい予後バイオマーカーを提示した。個別化した治療標的の設定に向けた枠組みも提示した。
掲載誌の IF 相当：1.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Shen H, Lu J, Yan Q, Chou J, Liang X, Fan W, et al. Identifying Distinct Molecular Subtypes and Establishing a Prognostic Framework for DLBCL Patients via Multiomics Analysis and Machine Learning Approaches. Hum Mutat. 2026 Jul 6;2026(1):7614954. doi:10.1155/humu/7614954. PMID: 42440855; PMCID: PMC13334209.確認の範囲：全文を確認 - Decoding NETosis-associated immune dysregulation in diffuse large B-cell lymphoma through integrative multi-omics and machine learning抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）は不均一な悪性腫瘍で、複雑な免疫の調節異常がその進行を駆動する。NETosis（好中球細胞外トラップ形成）は好中球に特有の免疫エフェクター機構である。しかし、DLBCLの腫瘍免疫微小環境や患者の予後にNETosisがどう関わるかは、まだよく分かっていない。
本研究はマルチオミクス統合解析と機械学習を組み合わせ、DLBCLでNETosis関連遺伝子（NETosis-RGs）が免疫にどう関わるかを調べた。NETosis-RGsは、DLBCL組織と対照組織のトランスクリプトーム（GSE32018）から特定した。予後に関わる候補遺伝子を単変量Cox回帰で絞り込み、5種類の機械学習アルゴリズムでモデル化した。リスク層別化にはランダムサバイバルフォレスト（RSF）モデルを選んだ。バルクとシングルセルのトランスクリプトームデータを統合し、免疫の全体像を調べた。転写後とエピジェネティックな調節を調べるため、競合的内在性RNA（ceRNA）ネットワークとm6A（N6-メチルアデノシン）制御因子の解析も行った。治療上の弱点を探るため、化学療法への感受性を予測した。
RSFモデルには5つの主要なNETosis-RGs（AKT1、SLC25A37、FPR2、TLR7、F3）を組み込んだ。このモデルで、患者を高リスク群と低リスク群に頑健に層別化できた。両群の免疫の構成は系統的に異なっていた。高リスク群と低リスク群では、免疫細胞の浸潤、間質・免疫スコア、免疫チェックポイント発現が異なっていた。シングルセル解析では、これらの予後遺伝子は主に単球とM1マクロファージで発現していた。また、骨髄系細胞・マクロファージの分化軌跡に沿って、発現が動的に変化していた。これらの遺伝子は、DLBCL の微小環境で免疫抑制状態から炎症状態への移行を調節する可能性がある。補完的な解析により、m6A 修飾パターンや lncRNA-miRNA-mRNA の ceRNA 軸など、多層的な調節機構も明らかになった。
本研究はマルチオミクスデータと機械学習を統合し、NETosis を中心とする新しい免疫シグネチャーを示した。このシグネチャーにより、予後の層別化が精緻になる。DLBCL における単球・マクロファージ介在性の免疫異常の機序についても、知見が得られた。今回の知見は、免疫調節に関わるバイオマーカーと精密治療戦略の開発に向けた枠組みとなる。
掲載誌の IF 相当：4.8（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：Yao H, Wang G, Liang Y, Zhang R. Decoding NETosis-associated immune dysregulation in diffuse large B-cell lymphoma through integrative multi-omics and machine learning. Front Cell Dev Biol. 2026 Jul 2;14:1867660. doi:10.3389/fcell.2026.1867660. PMID: 42465039; PMCID: PMC13372773.確認の範囲：全文を確認 - Preoperative phenotypic stratification of primary central nervous system lymphoma using multiparametric MRI-based radiomics: prediction of germinal center B-cell-like and double-expression status抄録（全訳）
中枢神経系原発リンパ腫（PCNSL）は生物学的な不均一性が大きい。特に、ダブルエクスプレッションリンパ腫（DEL）や胚中心B細胞型（GCB）といった免疫組織化学的サブタイプの間で違いが目立つ。本研究の目的は、多パラメータMRIに基づくラジオミクスモデルを開発し、PCNSLにおけるDELとGCBの表現型を術前に予測できるかを評価することである。
病理学的にPCNSLと確定した160例を、後ろ向きに対象とした。解析したMRIシーケンスは、T2強調像（T2WI）、T2-FLAIR像、造影T1強調像（T1CE）、見かけの拡散係数（ADC）である。造影される腫瘍中心部と腫瘍周囲の浮腫は、nnU-NetV2に基づくモデルで自動的に領域分割した。ラジオミクス特徴量は、すべてのシーケンスで、この両領域から抽出した。再現性による絞り込み、ComBatによる調和、多段階の特徴量選択は、いずれも訓練コホート内だけで行った。その後、6種類の機械学習分類器を訓練し、取り分けておいた内部テストセットで評価した。性能の評価にはROC解析と決定曲線解析を用い、特徴量の解釈にはSHAPを用いた。
DELの分類では、12個のラジオミクス特徴量が残った。テストで最も性能が高かったのはSVM分類器であった。ROC曲線下面積（AUC）は0.807（95% 信頼区間 0.649〜0.936）、正確度は0.730、感度は0.714、特異度は0.750であった。GCB／非GCBの分類では、7個のラジオミクス特徴量でモデルを作った。テストで最も性能が高かったのはランダムフォレスト分類器であった。AUCは0.897（95% 信頼区間 0.796〜0.973）、正確度は0.846、感度は0.792、特異度は0.893であった。
多パラメータMRIによるラジオミクス解析は、PCNSLのDELとGCB／非GCBの表現型を非侵襲的に予測するうえで、有望な性能を示した。MRI由来のラジオミクス特徴量は、生物学的な不均一性に対応する画像上の特徴をとらえている可能性がある。また、術前のリスク層別化や個別化治療の計画を支援しうることも示唆される。
掲載誌の IF 相当：2.8（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：Chen L, Wang X, Wang S, Chen T, Zhao X, Yan Y, et al. Preoperative phenotypic stratification of primary central nervous system lymphoma using multiparametric MRI-based radiomics: prediction of germinal center B-cell-like and double-expression status. Front Oncol. 2026 Jun 29;16:1822040. doi:10.3389/fonc.2026.1822040. PMID: 42444831; PMCID: PMC13357172.確認の範囲：全文を確認 - A deep learning-based prognostic model for diffuse large B-cell lymphoma incorporating PET/CT imaging features抄録（全訳）
本研究の目的は、PET/CT画像から得た深層特徴量を用いて予後予測モデルを作成し、検証することである。これにより、びまん性大細胞型B細胞リンパ腫（DLBCL）患者の個別化精密治療を支えることをめざす。
DLBCL患者209例の臨床データと治療前PET/CTデータを後ろ向きに解析した。三次元の腫瘍病変から深層特徴量を抽出し、次元削減を行った。そのうえで、3年全生存（OS）を予測するラジオミクスモデルを作った。評価した機械学習アルゴリズムは6種類である。内訳はロジスティック回帰（LR）、サポートベクターマシン（SVM）、k近傍法（KNN）、ランダムフォレスト（RF）、eXtreme Gradient Boosting（XGBoost）、Light Gradient Boosting Machine（LightGBM）である。最適なラジオミクスモデルに臨床特徴を統合し、融合モデルとした。融合モデルの性能は、訓練セットと独立したテストセットの両方で評価した。指標には、正確度、受信者操作特性（ROC）曲線下面積（AUC）、感度、特異度などを用いた。さらに、決定曲線解析（DCA）で臨床的有用性を評価し、Kaplan-Meier（KM）法で生存解析を行った。
単変量解析と多変量解析で、3年生存の独立したリスク因子が5つ特定された。年齢、AB群、国際予後指標（IPI）スコア、血清β2ミクログロブリン値、最大腫瘍径が、独立した危険因子として同定された。機械学習によるラジオミクスモデルの中では、LRモデルの予測性能が最も優れていた。正確度は0.865、AUCは0.950、感度は0.875、特異度は0.863であった。臨床特徴を統合すると、性能はさらに向上した。テストセットで融合モデルは正確度0.921を示し、AUCも0.974と際立って高かった。感度は0.846、特異度は0.940であった。決定曲線分析（DCA）では、閾値確率0.05〜0.900という広い範囲で、この融合モデルはDLBCL患者の予後リスク予測に有意な臨床的正味利益をもたらすことが示された。
PET/CTの深層特徴量と臨床特性を組み合わせた融合モデルは、DLBCLの信頼できる予後予測ツールである。臨床応用や個別化治療に向けて、大きな期待が持てる。
掲載誌の IF 相当：2.8（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：Wang M, Wu S, Cen Q, Yang H, Zhou S, Qiu J, et al. A deep learning-based prognostic model for diffuse large B-cell lymphoma incorporating PET/CT imaging features. Front Oncol. 2026 Jun 16;16:1849942. doi:10.3389/fonc.2026.1849942. PMID: 42382391; PMCID: PMC13314506.確認の範囲：全文を確認 - A deep learning framework for lesion-level treatment response prediction in hodgkin lymphoma using PET/CT tensor radiomics抄録（全訳）
ホジキンリンパ腫（HL）では、治療効果を正確に予測することが個別化治療に欠かせない。テンソルラジオミクス（TR）は、従来のラジオミクスを発展させた手法である。テンソルラジオミクスは、複数のパラメータの組み合わせで計算したテンソルを用い、多様な特徴量のバリエーションを作って解析する。これにより、ラジオミクス特徴量の抽出を最適化し、腫瘍の特性をよりよくとらえる。ただし、こうした特徴量は複雑でばらつきも大きい。そのため、HL研究での解析や臨床応用には大きな課題がある。
本研究では、深層学習フレームワークTensor Radiomics Network（TR-NET）を作った。TR-NETはテンソルラジオミクスのデータから特徴量を自動で選び、治療効果を予測する。説明可能なAIの手法も組み込んでおり、影響の大きい特徴量を特定できる。
HL患者70例の420病変を、18F-FDG PET/CTで解析した。テンソルラジオミクスの特徴量セットは、PETとCTの画像でビン幅を変えて作成した。ビン幅はPET画像で0.2、0.4、0.6、0.8、CT画像で10、25、50とした。抽出した特徴量は、一次統計量、形状、テクスチャ、フィルタの各クラスに及ぶ。フィルタには、Laplacian of Gaussian、Wavelet、Square、Square Root、Logarithm、Exponential、Gradient、Local Binary Pattern（LBP）2D、LBP 3Dを用いた。特徴量は、病変ごとのものを合わせて合計13,790個であった。解析には、機械学習モデルのランダムフォレスト（RF）、XGBoost、サポートベクターマシン（SVM）と、深層学習モデルのTR-NETを用いた。最も性能の高いモデルの予測は、説明可能なAIの手法であるSHAP（SHapley Additive exPlanations）で解釈した。
TR-NETのAUC-ROCは0.8470（95% 信頼区間 0.7669〜0.9185）、感度は82.2%、特異度は78.2%であった。感度と特異度のバランスがよい分類特性である。比較対象のXGBoostは、AUCが0.8160（95% 信頼区間 0.7457〜0.8599）であった。感度は93.3%と高いが、特異度は66.2%と低く、偽陽性が多くなる傾向があった。ランダムフォレストとSVMも感度は高かった（92%、91.1%）。しかし、特異度はどちらも大幅に低かった（29.5%、51.3%）。
TR-NETは、従来の機械学習より予測精度が高く、臨床的な関連性も高い。これは個別化治療戦略を支え、腫瘍学における説明可能なAIの統合も後押しする。
掲載誌の IF 相当：3.7（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Jajroudi M, Jamalirad H, Enferadi M, Roshanravan V, Emami F, Geramifar P, et al. A deep learning framework for lesion-level treatment response prediction in hodgkin lymphoma using PET/CT tensor radiomics. EJNMMI Phys. 2026 Jun 15;13(1):64. doi:10.1186/s40658-026-00838-8. PMID: 42295572; PMCID: PMC13269603.確認の範囲：全文を確認 - A federated digital twin reveals cytomegalovirus reactivation impairs CAR-T cell therapy via IL-15-mediated cytokine competition in B-Cell lymphoma抄録（全訳）掲載誌の IF 相当：6.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Sridharan P, Ghosh M. A federated digital twin reveals cytomegalovirus reactivation impairs CAR-T cell therapy via IL-15-mediated cytokine competition in B-Cell lymphoma. Front Immunol. 2026 Jun 12;17:1844927. doi:10.3389/fimmu.2026.1844927. PMID: 42367785; PMCID: PMC13307505.確認の範囲：全文を確認
- Prediction of early death in peripheral T-cell lymphoma-NOS patients based on machine learning抄録（全訳）掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Liang C, Zhong R, Li L, Zhang C, Hu L, Chen C, et al. Prediction of early death in peripheral T-cell lymphoma-NOS patients based on machine learning. Ann Hematol. 2026 Jun 10;105(9):370. doi:10.1007/s00277-026-07121-x. PMID: 42268418; PMCID: PMC13473289.確認の範囲：全文を確認
- Integrating Single-Cell Profiling with Generative AI for De Novo Design of MMP9 Protein Binders in Diffuse Large B-Cell Lymphoma抄録（全訳）掲載誌の IF 相当：7.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Miao Z, Zhu S, Qin L, Ma D, Lai M, Xu P, et al. Integrating Single-Cell Profiling with Generative AI for De Novo Design of MMP9 Protein Binders in Diffuse Large B-Cell Lymphoma. Molecules. 2026 Jun 5;31(11):1969. doi:10.3390/molecules31111969. PMID: 42280270; PMCID: PMC13257871.確認の範囲：全文を確認
- Machine learning-driven investigation on liquid-liquid phase separation-related prognostic signature in diffuse large B-cell lymphoma抄録（全訳）掲載誌の IF 相当：3.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Zhou Z, Lu J, Wang Z, Chen R, Li H, Chen W, et al. Machine learning‐driven investigation on liquid–liquid phase separation‐related prognostic signature in diffuse large B‐cell lymphoma. Br J Haematol. 2026 Jun 5;209(2):461-8. doi:10.1111/bjh.70601. PMID: 42246608; PMCID: PMC13461964.確認の範囲：全文を確認
- Baseline 18 F-FDG PET/CT habitat radiomics versus dual-channel deep learning for predicting interim PET early metabolic response in diffuse large B-cell lymphoma: a comparative study抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）の患者を対象に、中間PET（iPET）での早期代謝反応（EMR）を予測するモデルを2種類作り、性能を比べた。1つはベースラインの18F-FDG PET/CTを使うハビタット・ラジオミクスモデル、もう1つは2チャネル深層学習モデルである。
対象は、2018年12月〜2024年8月にベースラインの18F-FDG PET/CTを受けたDLBCL患者である。対象は、2018年12月から2024年8月にベースラインの18F-FDG PET/CTを受けたDLBCL患者で、R-CHOPまたはR-CHOP類似の化学療法を2〜4サイクル受けた者を、後ろ向きに登録した。
iPETのDeauvilleスコアが1〜3の患者をEMR、4〜5の患者を非EMRとした。
病変は半自動でセグメンテーションし、関心体積（VOI）を作った。
腫瘍内の不均一性をとらえるため、K-meansクラスタリングでボクセル単位のハビタット亜領域を描出した。
ラジオミクス特徴量は、PET画像とCT画像の腫瘍全体とハビタット亜領域から抽出した。
深層学習では、PETとCTで腫瘍が最も大きく写る横断スライスを選び、チャネル方向に連結して2チャネルの入力とした。
モデルの性能は、受信者動作特性曲線下面積（AUC）、正解率、バランス正解率、感度、特異度、F1スコアで評価した。
モデルの比較には、較正曲線、決定曲線分析（DCA）、純再分類改善度、統合識別改善度も追加で用いた。
患者は計148例（EMR 101例、非EMR 47例）で、訓練セット（n = 103）とテストセット（n = 45）に無作為に分けた。
本研究は後ろ向きの単施設研究である。特徴量選択とモデル開発には訓練セットを使い、テストセットは最終評価だけに使った。
ハビタット・ラジオミクスモデルと、2チャネル深層学習モデルをそれぞれ開発した。最適なアーキテクチャには、それぞれ多層パーセプトロンとDenseNet-161を選んだ。
テストセットで、ハビタット・ラジオミクスモデル（Habitat_MLP）はAUC 0.871（95% 信頼区間 0.7563〜0.9857）、特異度0.903、正解率0.822だった。
2チャネル深層学習モデル（DL_DenseNet161）は、AUC 0.793（95% 信頼区間 0.6409〜0.9444）、特異度0.677、正解率0.711だった。全体の性能はHabitat_MLPのほうが高かった。
さらに、このデータセットではHabitat_MLPモデルのほうが較正が良好で、DCAでの純便益も高かった。リスクの再分類も改善していた。
ベースラインの18F-FDG PET/CTから得たハビタット・ラジオミクスモデル（Habitat_MLP）は、DLBCL患者のiPETでのEMRを予測するうえで、全体の性能と頑健性が優れていた。治療前のリスク層別化における意思決定支援ツールとしての価値が示唆される。
掲載誌の IF 相当：2.8（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：He Y, Wang S, Li Y, Li X, Yi J, Wang D, et al. Baseline 18F-FDG PET/CT habitat radiomics versus dual-channel deep learning for predicting interim PET early metabolic response in diffuse large B-cell lymphoma: a comparative study. Front Oncol. 2026 Jun 4;16:1801204. doi:10.3389/fonc.2026.1801204. PMID: 42326344; PMCID: PMC13275354.確認の範囲：全文を確認 - An integrated machine learning and mendelian randomization approach identifies SERPING1 as a prognostic biomarker associated with CD8 + T-cell infiltration in DLBCL抄録（全訳）
SERPING1は、補体系のC1インヒビター（C1-INH）をコードする遺伝子である。炎症反応と免疫の恒常性の調節で中心的な役割を担う。
SERPING1はさまざまな疾患で発現が下がる。感染症や急性炎症反応などの疾患では補体系が過剰に活性化し、それに対する体の負のフィードバックとして発現が低下する。
また、SERPING1は腫瘍の免疫調節にも欠かせない。
びまん性大細胞型B細胞リンパ腫（DLBCL）は、よくみられる悪性度の高い非ホジキンリンパ腫である。
治療の選択肢は増えつつある。それでも、再発する患者や、治療中に病勢が進行する患者もいる。
そのため、DLBCLが悪性の性質を示す分子基盤を解き明かし、新しい予後マーカーと治療標的を見つけることが、転帰の改善に最も重要である。
本研究では、マルチオミクスの統合解析に機械学習アルゴリズムを組み合わせた。目的は、CD8陽性T細胞に関連するハブ遺伝子を特定し、びまん性大細胞型B細胞リンパ腫（DLBCL）の病態形成における役割を明らかにすることである。
データは、Gene Expression Omnibus（GEO）やThe Cancer Genome Atlas（TCGA）などの公開リポジトリから得た。
差次的発現解析、WGCNA、特徴量選択、scRNA-seq解析、分子ドッキング、メンデルランダム化などのマルチオミクス・機械学習手法を使った。
その結果、CD8陽性T細胞に関連する4つの主要なハブ遺伝子（MAFB、TMEM176A、SERPING1、C1QB）を特定した。なかでもSERPING1を中心的な遺伝子と位置づけた。
これらの遺伝子は、DLBCLの診断・予後・免疫療法で役立つ可能性がある。
GEOの6つのデータセット（GSE56315、GSE25638、GSE12453、GSE12195、GSE32018、GSE83632）とTCGA-DLBCのRNAシーケンシングデータを、バッチ補正してから解析した。その結果、209個の差次的発現遺伝子（DEG）が見つかった。
CIBERSORTでは免疫細胞の浸潤に有意な差がみられ、DLBCLではCD8陽性T細胞が目立って多かった。
WGCNAでは、イエローモジュール（151遺伝子）がCD8陽性T細胞の浸潤と強く相関した。これをDEGと重ね合わせ、中核となるDEGを40個得た。
機能エンリッチメント解析では、これらの遺伝子がケモカインシグナル伝達と補体カスケードに関わることが分かった。
12のアルゴリズムからなる機械学習の枠組みで、8つの主要遺伝子（ANKRD22、C1QB、C1QC、CD163、MAFB、SERPING1、TMEM176A、TNFSF13B）を特定した。
診断性能が最も高かったのは、Least Absolute Shrinkage and Selection Operator（LASSO）と線形判別分析（LDA）の組み合わせで、曲線下面積（AUC）は0.799だった。
8つの主要遺伝子から、8つの特徴量選択法に共通する4つのハブ遺伝子（MAFB、TMEM176A、SERPING1、C1QB）を特定した。
これらはタンパク質間相互作用ネットワークと受信者動作特性曲線解析で検証され、AUCは0.9を超えた。
SHapley Additive exPlanations解析では、予測への寄与はMAFBが最も大きかった。
これらの遺伝子を組み込んだ予後ノモグラムは、精度が高かった（1年・3年・5年の較正）。
scRNAシーケンシングでは、ハブ遺伝子は非古典的単球に濃縮していた。
CellChatの解析からは、これらの遺伝子がAPP/GALECTIN経路を介して細胞間コミュニケーションに関わることが示唆された。
分子ドッキングと分子動力学で、SERPING1とドキソルビシンが安定して結合することを確認した（ΔG = -7.6 kcal/mol）。分子ドッキングと分子動力学では、SERPING1とドキソルビシンの安定した結合（ΔG = -7.6 kcal/mol）が確認され、二乗平均平方根偏差と回転半径（Rg）の安定性もこれを支持した。
要約データに基づくメンデルランダム化解析では、SERPING1の過剰発現とDLBCLの発症リスクとの間に、正の遺伝的関連が認められた（P < 0.05）。
水平多面発現を示す統計学的証拠は認められなかった。このことから、SERPING1の過剰発現はDLBCL発症に関わるリスク要因である可能性が示唆される。
SERPING1はDLBCL組織で有意に発現が上昇しており、その発現が疾患特異的に調節されていることが示唆される。
SERPING1は、腫瘍微小環境における補体系の不均衡な調節を通じて作用する。その結果、「局所では選択的に活性化し、全体としては抑制される」という特徴的なパターンを示す。
SERPING1は、C1QBと協調して働く、腫瘍促進性のハブ遺伝子である。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Wang J, Li Z, Zhan X, Zhang Y, Wang Z, Xing P, et al. An integrated machine learning and mendelian randomization approach identifies SERPING1 as a prognostic biomarker associated with CD8 + T-cell infiltration in DLBCL. Discov Oncol. 2026 Jun 3;17(1):1134. doi:10.1007/s12672-026-05340-2. PMID: 42236612; PMCID: PMC13447665.確認の範囲：全文を確認 - Validation of an AI Method for Automated Lymphoma Metabolic Tumor Volume Segmentation Using a Public Benchmark PET/CT Dataset抄録（全訳）
本研究は、リンパ腫患者の18F-FDG PET/CTで、全代謝腫瘍体積（TMTV）を自動でセグメンテーションする人工知能（AI）手法の性能を評価した。 評価には独立した公開ベンチマークデータセットを使った。このデータセットは既報の研究で、専門の読影者が整備しセグメンテーションしたものである。
方法：AIモデルは3次元U-Netアーキテクチャに基づき、MONAI（医療AI向けのオープンソース・ネットワーク・フレームワーク）で実装した。 学習には、リンパ腫患者の18F-FDG PET/CT 1,500スキャンを使った。 テストには、ベースラインのスキャン60件からなるベンチマークデータセットを使った。内訳は濾胞性リンパ腫、ホジキンリンパ腫、びまん性大細胞型B細胞リンパ腫が各20件である。 各スキャンは、3〜4人の核医学医が、標準化集積比（SUV）の閾値4を用いてセグメンテーションしていた。 AIによるTMTVとベンチマークのTMTVの一致は、Bland-Altman解析で評価した。 許容できる差は10%以内または10 cm3以内とした。これは、ベンチマーク研究で報告された読影者間のばらつきに合わせた基準である。
結果：ベンチマーク60例のうち50例（83%）で、AIによるTMTVとベンチマークの基準値の差は10%以内または10 cm3以内だった。 残る10例のうち4例では、AIの結果が少なくとも1人の専門読影者の値と同じ範囲内にあり、部分的に一致していた。
結論：標準化されたベンチマーク環境で、AI手法によるTMTVは専門家によるTMTVと高く一致した。 AIモデルは、大半の症例で人間の専門家と同等の性能を示した。元の著者が難しい症例を意図的に多く加えた外部整備のデータセットでも、AIモデルは専門医と同等の性能を示した。 このAIモデルは、ユーザーの操作なしに、正確で再現性のあるセグメンテーションを行える。そのため、リンパ腫の画像診断で、手作業の負担と読影者間のばらつきを大きく減らせる可能性がある。 ただし、誤りを最小限に抑えるには人による監督が必要である。
掲載誌の IF 相当：6.9（OpenAlex の直近 2 年の平均被引用数・2026-10-17 時点の値、2026-10-18 に取得。正式な IF（Clarivate）ではない）書誌：Sadik M, Larsson M, Enqvist O, Edenbrandt L, Trgrdh E. Validation of an AI Method for Automated Lymphoma Metabolic Tumor Volume Segmentation Using a Public Benchmark PET/CT Dataset. J Nucl Med. 2026 Mar 5;67(6):1001-5. doi:10.2967/jnumed.125.271605. PMID: 41786479; PMCID: PMC13224908.確認の範囲：全文を確認 - Clinically reliable and stable automated segmentation of DLBCL lesions on PET/CT using self-configuring nnU-Net for robust TMTV quantification抄録（全訳）
びまん性大細胞型B細胞リンパ腫（DLBCL）を適切に管理するには、18F-FDG PET/CTで病変を正確にセグメンテーションすることが欠かせない。
深層学習のアーキテクチャ、特にU-Netとその派生型は広く使われている。しかし、臨床での定量に最も信頼でき頑健な枠組みがどれかを見極めることは、まだ難しい。
本研究では、代表的な深層学習手法3つを体系的に比較した。性能の序列を確かめ、優位性がどこから来るのかを明らかにすることが目的である。
比較したのは、手動で設定した古典的U-Net、アテンションゲートを組み込んだ発展型のAttention U-Net、自己構成型のnnU-Netの枠組みの3つである。
データには、アノテーション付きの全身PET/CT 217例を用いた。
古典的U-NetとAttention U-Netは、専門家が明示的に設計し調整した。一方、nnU-Netはパイプライン全体を自動化した。
すべてのモデルを3分割交差検証で評価した。指標は、Dice類似係数（DSC）、Intersection over Union（IoU）、感度、特異度である。
臨床的な意義を評価するため、モデルから得た全代謝腫瘍体積（TMTV）を専門家のアノテーションと比べた。比較には相関分析とBland-Altman解析を使った。
各患者の最終的な正解セグメンテーションは、2人の専門アノテーターの合意で作った。
評価したすべての指標で、結果は一貫してnnU-Netが優れていた。この結果は、評価したモデル間に頑健な性能の序列があることを支持する。
nnU-Netは、平均DSC（0.83 vs. 0.61 vs. 0.71）、IoU（0.71 vs. 0.52 vs. 0.62）、感度（0.85 vs. 0.56 vs. 0.72）、特異度（0.94 vs. 0.87 vs. 0.92）のいずれも、他の2モデルより高かった。
nnU-Netは安定性も高く、交差検証の分割間で性能のばらつきが小さかった。
TMTVの推定では、nnU-Netは系統誤差が大幅に小さかった。Bland-Altman解析の一致限界も、nnU-Netではるかに狭かった（-15.8〜+10.5 mL vs. -108.5〜+71.1 mL vs. -97.3〜+67.7 mL）。
これらの結果から、nnU-Netの優位性は、アーキテクチャの改変だけでなく、主にパイプライン全体の最適化によると示唆される。
この比較解析により、自己構成型nnU-Netは、手動設計の2種のU-Net派生型よりも、セグメンテーション性能が高く安定していることが示された。
nnU-Netにより、DLBCL病変の描出とTMTVの定量を、より正確かつ確実に行える。
自動化されたパイプラインと頑健な性能は、臨床ワークフローへの導入を支持する。
今後は、多施設での外部検証、臨床転帰（生存など）との相関、モデルの解釈可能性を検討する予定である。
掲載誌の IF 相当：2.2（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Keshavarz S, Saeedzadeh E, Arabi H, Jenabi-Haghparast E, Sardari D. Clinically reliable and stable automated segmentation of DLBCL lesions on PET/CT using self-configuring nnU-Net for robust TMTV quantification. Appl Radiat Isot. 2026 Sep;235:112721. doi:10.1016/j.apradiso.2026.112721. PMID: 42214823.確認の範囲：抄録のみ確認 - A rapid total-body PET imaging approach for pediatric patients using non-attenuation-corrected PET scans抄録（全訳）
小児リンパ腫の患者は、病期診断と治療効果判定のために18F-FDG PET/CT検査を何度も受ける。そのため累積被ばく線量が懸念されている。特に問題になるのはCT部分の線量である。
著者らは、CTを省ける深層学習ベースの枠組みSnapPETを提案した。超短時間で撮った減弱補正なし（NAC）PETの2D最大値投影（MIP）画像から、高画質の2D PET MIP画像を生成する。目的は迅速なスクリーニングとトリアージである。
全身PET/CT装置で撮像した、FDG集積陽性の小児リンパ腫患者200例を後ろ向きに解析した。10分間のリストモードデータから、3〜300秒のNAC PET画像を後から再構成した。基準には600秒の減弱補正（AC）PETを用いた。
全身の冠状断MIPを2D画像に変換し、64 × 64のパッチに分割した。撮像時間ごとに、潜在拡散モデルに基づくオートエンコーダを個別に学習させた。各モデルは、その撮像時間の短時間NAC PET MIPを、AC PETに近い冠状断PET MIPに変換する。
想定した臨床用途は、CT撮影前の迅速なトリアージである。主眼は、超短時間の3秒撮像に置いた。より長い撮像時間については、カウント量ごとに比較して解析した。
画質は、ピーク信号対雑音比（PSNR）、構造類似度（SSIM）、正規化平均二乗誤差（NMSE）で評価した。病変の関心領域（ROI）での最大標準化取込値（SUVmax）と平均標準化取込値（SUVmean）も評価した。
比較のため、3つのベンチマークモデル（U-Net、GAN、DDPM）を同じ条件で学習させた。さらに核医学医2名が、5段階のリッカート尺度で画質を評価した。病変単位のROC解析と、位置特定を考慮したROC（ALROC）解析も行った。
SnapPETは、すべての撮像時間でNAC入力より画質を大きく改善した。3秒撮像では、PSNRが28.6 ± 4.3から35.3 ± 6.0に、SSIMが0.85 ± 0.09から0.98 ± 0.02に上がった。NMSEは0.23 ± 0.18から0.03 ± 0.01に下がった（いずれもp < 0.001）。
病変ROIのSUV指標は基準のAC PETと高く相関し、偏りはごくわずかであった。
UNet、GAN、DDPMと比べ、SnapPETは定量指標が最も良かった。病変単位のROC曲線とALROC曲線も最も高く、検出能と位置特定能が優れていることを示した。
雑音抑制、アーチファクト低減、コントラスト保持、病変識別の読影スコアは、一貫してSnapPET画像で高かった。この傾向は特に3秒と15秒の撮像で目立った。
SnapPETを使えば、超短時間のNAC撮像から、AC PETに近い高画質の2D画像を直接生成できる。SnapPETは、超短時間のNAC撮像から減弱補正PET様の高画質な2次元画像を直接生成することで、小児PET撮像の迅速化を可能にする。
この方法は、NAC入力や競合する深層学習のベースラインと比べて、画質を改善した。定量の正確さも保ち、病変の検出能を高めた。
CTを省くこのスクリーニング・トリアージ法は、減弱補正用CTへの依存を減らせる可能性がある。さらに、小児リンパ腫の診療で、個別化した低線量CT戦略を支える可能性もある。
掲載誌の IF 相当：3.7（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Hu J, Huang Y, Zhang Q, Hu Y, Zhao Y, Zhang X, et al. A rapid total-body PET imaging approach for pediatric patients using non-attenuation-corrected PET scans. EJNMMI Phys. 2026 May 22;13(1):61. doi:10.1186/s40658-026-00889-x. PMID: 42171886; PMCID: PMC13247023.確認の範囲：全文を確認 - An interpretable machine learning model integrating [ 18 F]FDG PET/CT radiomics and clinical features for predicting perforation following chemotherapy in gastrointestinal lymphoma: a multicenter study抄録（全訳）
消化管リンパ腫の化学療法後の穿孔（PFCGL）は、まれだが重篤で、生命を脅かす合併症である。化学療法の前に早期に予測することは、治療の最適化と転帰の改善に不可欠である。しかし、予測は依然として難しい。
本研究は、PFCGLのリスクを予測する機械学習（ML）モデルの開発を目的とした。モデルには、臨床特徴と[18F]FDG PET/CTのラジオミクス・シグネチャーを組み合わせた。
2病院で消化管リンパ腫と診断された計257例を対象とした。臨床データとPET/CT画像を集め、FDG集積領域からPET/CTラジオミクス・シグネチャーを抽出した。
5種類のMLアルゴリズムで予測モデルを作った。モデルは、臨床モデル、PET/CTラジオミクスモデル、臨床-PET/CTモデルの3種類である。モデルの解釈性の評価には、SHapley Additive exPlanations（SHAP）法を用いた。
内部訓練コホートは144例（平均年齢56.90 ± 14.69歳、男性88例）であった。内部検証コホートは63例（平均年齢61.76 ± 13.71歳、男性36例）、外部検証コホートは50例（平均年齢63.28 ± 12.17歳、男性27例）であった。
このうちPFCGLと診断されたのは、3つのコホートで順に22例、11例、11例であった。
臨床特徴では、C反応性蛋白の高値と、T細胞性非ホジキンリンパ腫という病理型が、PFCGLを予測するリスク因子であった。
SHAP解析で、PET/CTラジオミクス・シグネチャーがPFCGLの予測に大きく寄与することが分かった。
ロジスティック回帰（LR）を用いた臨床-PET/CTモデルは、PFCGLの予測性能が最も優れていた。比較対象は、臨床単独モデルと、ExtraTreesを用いたPET/CTラジオミクスモデルである。
曲線下面積（AUC）は、臨床-PET/CT、臨床、PET/CTラジオミクスの各モデルの順に、訓練コホートで0.918、0.872、0.857であった。訓練コホートで0.918、0.872、0.857であった。同じ順で、内部検証コホートでは0.858、0.795、0.849、外部検証コホートでは0.852、0.770、0.807であった。
機械学習で[18F]FDG PET/CTラジオミクス・シグネチャーと臨床特徴を統合した複合モデルは、臨床で使えるノモグラムを提供する。このノモグラムは、PFCGLのリスクの評価と予測に使える。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Chen D, Li T, Cui J, Yang C, Liu Z, Huang H, et al. An interpretable machine learning model integrating [18F]FDG PET/CT radiomics and clinical features for predicting perforation following chemotherapy in gastrointestinal lymphoma: a multicenter study. Eur J Nucl Med Mol Imaging. 2026 May 19;53(10):5745-59. doi:10.1007/s00259-026-07921-3. PMID: 42151619.確認の範囲：抄録のみ確認 - Clinicopathological Characteristics and Prediction of Overall Survival and Death Within 2 Years in Diffuse Large B-Cell Lymphoma Based on Histological Images and Deep Learning抄録（全訳）
背景：びまん性大細胞型B細胞リンパ腫（DLBCL）は、最も頻度の高いリンパ腫の一つである。現時点では、どのDLBCL患者が急速に悪化する臨床経過をたどるかを見分けられない。ヘマトキシリン・エオジン（H&E）染色の組織画像だけでは、この見分けができない。
方法：本研究では、H&E画像、コンピュータビジョン、深層学習を使ってDLBCLの予後を予測した。対象はDLBCL 114例で、全生存期間に基づき2つの予後群に分けた。これに加えて、反応性リンパ組織44例も対象とした。
結果：曲線のあてはめと傾きの解析で、2年（24カ月）の時点に変曲点が見つかった。曲線の当てはめと傾き解析では、2年（24カ月）に変曲点があり、ここで2つの群が分かれた。「2年未満死亡」群（b1 = -0.024）は臨床経過が急速に悪化し、残りの「その他」群（b1 = -0.003）は中等度であった。 20種類の畳み込みニューラルネットワーク（CNN）を使い、説明可能な人工知能（XAI）も適用した。DarkNet-19に基づく最終モデルは、予後群を高い性能で予測した（テストセットの正解率 96.3%）。 ほかの性能指標は、適合率 94.5%、再現率 95.0%、偽陽性率 3.1%、特異度 96.9%、F1スコア 94.7%であった。 grad-CAM、オクルージョン感度、image-LIMEなどのXAIで、CNNが正しい領域に注目していることを確かめた。 次の3点も実施し、いずれも成功した。患者単位の解析で情報漏洩を防ぐハイブリッド分割、DLBCLと反応性リンパ組織44例との画像分類、ハイパーパラメータ調整である。 臨床病理学的特徴との相関もみた。「2年未満死亡」群は、病期III〜IV、国際予後指標（IPI）の高リスク＋高中間リスク、病勢進行と相関していた。また、細胞起源が非胚中心B細胞（non-GCB）型、CD10陰性、BCL2陽性、エプスタイン・バーウイルス（EBER）陽性とも相関した。 微小環境、免疫チェックポイント、細胞周期、胚中心のマーカーも解析した。「2年未満死亡」群では、IL10、PD-L1、CD163が高く、E2F1蛋白の発現が低かった。 Ki67、CSF1R、CASP8、TNFAIP8、LMO2、MYC、MDM2、CDK6、TP53の各マーカーには、定量レベルで差がなかった。
結論：2年（24カ月）の時点を区切りに使えば、H&E組織画像と深層学習でDLBCLの全生存を予測できる。この2年（24カ月）の区切りは、POD24に似ている。学習済みのこのCNNは、今後、転移学習の事前学習モデルとして使える。
掲載誌の IF 相当：5.4（OpenAlex の直近 2 年の平均被引用数・2026-10-23 時点の値、2026-10-24 に取得。正式な IF（Clarivate）ではない）書誌：Carreras J. Clinicopathological Characteristics and Prediction of Overall Survival and Death Within 2 Years in Diffuse Large B-Cell Lymphoma Based on Histological Images and Deep Learning. Biomedicines. 2026 May 17;14(5):1134. doi:10.3390/biomedicines14051134. PMID: 42193459; PMCID: PMC13205024.確認の範囲：全文を確認 - An interpretable PET/CT-based radiomic-clinical model for predicting bone marrow involvement in follicular lymphoma: comparison of pelvic and spine-pelvis VOI frameworks抄録（全訳）
本研究の目的は二つある。一つは、濾胞性リンパ腫（FL）の骨髄浸潤（BMI）を非侵襲的に見分けられるかを調べることである。ベースラインの18F-FDG PET/CTに、多次元の特徴融合を組み合わせて用いた。もう一つは、骨髄の関心容積（VOI）の枠組みの違いが、モデル性能にどう影響するかを比べることである。
この後ろ向き研究では、新たにFLと診断された187例を対象とした。このうち93例にBMIがあった。
ベースラインの18F-FDG PET/CTをもとに、骨髄VOIの枠組みを2つ作った。骨盤VOIの枠組みと、脊椎・骨盤VOIの枠組みである。臨床特徴、従来の画像特徴、ラジオミクス特徴、深層学習特徴を抽出した。
特徴は段階的に絞り込んだ。臨床特徴と従来の画像特徴は、単変量ロジスティック回帰、スピアマンの相関分析、多変量ロジスティック回帰で選別した。高次元のラジオミクス特徴と深層学習特徴は、LASSO回帰とBorutaアルゴリズムを組み合わせて選んだ。
選んだ特徴をもとに、6通りのモデル構築案を作った。最適な案は、独立検証セットでの受信者動作特性曲線下面積（AUC）を主な指標として選んだ。
最適な案のもとで、さらに7種類の機械学習モデルの性能を比べた。最適な案のもとで、ロジスティック回帰（LR）、サポートベクターマシン（SVM）、勾配ブースティングマシン（GBM）、ニューラルネットワーク（NN）の性能を比べた。さらに、ランダムフォレスト（RF）、k近傍法（KNN）、適応的ブースティング（AdaBoost）を加えた計7つの機械学習モデルを比べた。
最終モデルの主要な特徴と、その寄与の方向を、SHAP解析で解釈した。
BMIなし群に比べ、BMIあり群では、領域リンパ節への浸潤が広く、B症状があり、リンパ節病変が大きい傾向にあった。
検査値では、BMIあり群でヘモグロビン（Hb）が低く、乳酸脱水素酵素（LDH）が高かった。Hbとアポリポ蛋白A（Apo A）、推算糸球体濾過量（eGFR）は低く、LDHとβ2ミクログロブリン（β2-MG）は高かった（いずれもP < 0.05）。
どちらのVOIの枠組みでも、BMIあり群は骨髄のFDG取り込みの強さと代謝負荷が高かった。どちらのVOIの枠組みでも、BMIあり群は骨髄のFDG集積の強度と代謝負荷が高く、従来のPET/CT特徴の値の高さに表れていた。
該当する特徴は、SUVmean、標準偏差（PET）、二乗平均平方根（RMS）、25パーセンタイル値、中央値、75パーセンタイル値である。該当する特徴は、SUVmean、標準偏差（PET）、RMS、25パーセンタイル値、中央値、75パーセンタイル値、総病変解糖量（TLG）、Glycolysis Q2-Q4、SAM、SUVpeakである（いずれもP < 0.05）。
多変量ロジスティック回帰分析では、領域リンパ節浸潤とβ2-MGが、どちらのVOIの枠組みでも一貫して独立した予測因子であった。一方、SUVmeanが統計的に有意だったのは骨盤VOIの枠組みだけであった。
6つのモデル構築案を比べた結果、脊椎・骨盤VOIの枠組みを使う案が最も良かった。この案は、臨床特徴、従来の画像特徴、ラジオミクス特徴を統合するものであった。
この案では、独立検証セットでの総合性能はGBMモデルが最も良かった（AUC = 0.906、正解率 = 0.877、適合率 = 0.926、感度 = 0.833、特異度 = 0.926、F1スコア = 0.877）。
SHAP解析で、LNr（≥ 5）とβ2-MGのほかにも、大きく寄与する特徴が見つかった。SHAP解析では、LNr（≥ 5）とβ2-MGのほか、PET-Orig-FO-IQRなどの一次統計特徴も大きく寄与した。
ウェーブレット変換やLBP変換から得たテクスチャ特徴も大きく寄与し、PET-Wav-HLL-NGTDM-Strength、PET-Wav-HLL-GLRLM-SRHGLE、CT-LBP3D-m1-GLCM-MCC、PET-LBP3D-m2-GLSZM-SAHGLEが含まれた。
これらの結果は、BMIに関連する画像表現型が、骨髄の代謝亢進だけで特徴づけられるのではないことを示唆する。骨髄内のグレーレベル分布と空間的な不均一性のリモデリングも、その特徴である。
FLの骨髄浸潤は、腫瘍量の多さと、骨髄内の代謝の不均一性の変化に関連している。PET/CTに基づくラジオミクス・臨床モデルは、BMIの非侵襲的な予測で良好な性能を示した。脊椎・骨盤VOIの枠組みは、骨盤VOIの枠組み単独よりも性能が優れていた。
最終的なGBMモデルは、FLのBMIをベースラインで補完的に評価するための、実現可能な画像バイオマーカーとなりうる。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Li SC, Xu YP, He F, Chen QL, Li AM, Fan X, et al. An interpretable PET/CT-based radiomic-clinical model for predicting bone marrow involvement in follicular lymphoma: comparison of pelvic and spine-pelvis VOI frameworks. Eur J Nucl Med Mol Imaging. 2026 May 16;53(9):5475-90. doi:10.1007/s00259-026-07918-y. PMID: 42142271; PMCID: PMC13315510.確認の範囲：全文を確認 - AI-Enhanced Quantitative IHC Analysis for Prognostic Stratification in Marginal Zone Lymphoma: Development of a Revised MZL-IPI Model抄録（全訳）
目的：辺縁帯リンパ腫（MZL）は、性質が多様な低悪性度の B 細胞リンパ腫である。現在の臨床的な予後分類には限界がある。現在の臨床的な予後予測の体系では、形質転換のリスクの特定やリスク層別化の精緻化に限界がある。本研究は、人工知能（AI）で定量した免疫組織化学（IHC）マーカーが MZL の予後とどう関わるかを評価することを目的とした。あわせて、改訂版の MZL 国際予後指標（MZL-IPI）モデルを探索的に検討した。
方法：対象は、中南大学湘雅第二医院で 2015 年 1 月〜2022 年 6 月に治療を受けた患者 146 例である。いずれも病理学的に MZL と確定しており、後ろ向きに解析した。このうち 111 例は IHC スライドがデジタル化されており、AI による定量解析ができた。AI で定量した IHC マーカーの発現と、臨床的特徴、組織学的形質転換、生存成績との関係を評価した。予後に関連するマーカーは、最適なカットオフ値で2群に分けた。生存の差はログランク検定で評価した。独立した予後因子は多変量 Cox 回帰で特定した。モデルの性能は交差検証で評価した。
結果：年齢、B 症状、高血圧、糖尿病、胃病変は、一部の IHC パラメータと関連していた。CD3 は組織学的形質転換と独立して関連していた。発現が 25.60% 未満だと、形質転換のリスクが高かった。CD21の高発現は、良好な全生存期間（OS）を独立して予測した。一方、CD3の高発現は、無増悪生存期間（PFS）の不良と関連していた。MZL-IPI に CD21 を加えると、このコホートでは OS の予測が改善した。
結論：AIを用いたIHCの定量解析は、MZLの予後に関する補完的な情報をもたらす可能性がある。CD21で改訂したMZL-IPIは、探索的な枠組みである。AIで得た組織バイオマーカーを臨床的なリスク層別化に統合するためのものだが、臨床応用の前に外部の多施設検証が必要である。ただし、臨床に応用する前に、外部の多施設で検証する必要がある。
掲載誌の IF 相当：4.0（OpenAlex の直近 2 年の平均被引用数・2026-10-29 時点の値、2026-10-31 に取得。正式な IF（Clarivate）ではない）書誌：Zhang Q, Deng Z, Yan W, Zhu H, Tian Z, Jiang Y, et al. AI-Enhanced Quantitative IHC Analysis for Prognostic Stratification in Marginal Zone Lymphoma: Development of a Revised MZL-IPI Model. Diagnostics (Basel). 2026 May 11;16(10):1456. doi:10.3390/diagnostics16101456. PMID: 42196822; PMCID: PMC13205237.確認の範囲：全文を確認 - Multi-strategy feature selection and multi-model machine learning for prognostic prediction in primary gastric diffuse large B-cell lymphoma抄録（全訳）
原発性胃びまん性大細胞型 B 細胞リンパ腫（PG-DLBCL）は、予後が患者によって大きく異なる。従来の予後分類では、この病型に特有の臨床病理学的特徴を捉えきれないことが多い。著者らは、頑健で解釈しやすい予後モデルの開発を目指した。リスク層別化を改善し、個別化した治療方針の決定に役立てるためである。
SEER（監視・疫学・最終結果）データベースから、PG-DLBCL 患者 3773 例（2000〜2021 年）のデータを抽出した。安定した予後変数を見つけるため、互いに補い合う 4 つの特徴選択法を使った。LASSO、Boruta、後退ステップワイズ法、最良部分集合回帰（BSR）である。選んだ変数で、4 つの機械学習（ML）アルゴリズムを学習させた。ロジスティック回帰、サポートベクターマシン、k 近傍法、XGBoost である。モデルの性能は、識別能（曲線下面積、AUC）、較正、決定曲線分析、内部検証で評価した。解釈性のために SHAP（シャープレイ値による説明手法）を用いた。患者は高リスク群と低リスク群に分けた。
主な予後規定因子は、年齢、病期、化学療法、婚姻状況、所得だった。BSR で選んだ予測因子による XGBoost モデルの性能が最も高かった。較正も良好で、正味の臨床的利益も認められた。SHAP 解析では、高齢、進行期、化学療法なしで予測リスクが高まった。一方、婚姻状況と高い所得は保護的に働いた。リスク層別化は、訓練・テストの両コホートで生存成績を効果的に区別した（P < 0.001）。個々の患者のリスク評価に使うウェブツールを開発した。
著者らは、PG-DLBCL の予後を予測する ML モデルを確立した。解釈しやすく性能が高いモデルで、臨床・治療・社会経済的な因子を統合している。このツールで精密なリスク層別化ができ、個別化した治療の決定を支援できる。また、この希少な節外性リンパ腫の予後モデルを作るための、方法論的な枠組みも示した。
掲載誌の IF 相当：5.1（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Lin J, Wang H, Lin H, Xu C. Multi-strategy feature selection and multi-model machine learning for prognostic prediction in primary gastric diffuse large B-cell lymphoma. Digit Health. 2026 May 7;12:20552076261450466. doi:10.1177/20552076261450466. PMID: 42136918; PMCID: PMC13167268.確認の範囲：全文を確認 - Enhanced Lymphoma Subtype Classification and Prognosis Using Machine Learning with 18 F-FDG PET/CT Radiomics: Beyond SUV max抄録（全訳）
本研究では、生検に代わる非侵襲的な方法として、18F-FDG PET/CT による機械学習の手法を検討した。手法には、腫瘍対肝臓比（TLR）で補正した PET ラジオミクスを取り入れた。リンパ腫の管理の改善を目指し、生存解析も行った。
このコホート研究では、新たに診断され、組織学的に確定したリンパ腫患者を対象とした。治療前のベースラインの 18F-FDG PET/CT を解析した。病変は 3D Slicer でセグメンテーションした。ラジオミクス特徴量を抽出し、腫瘍対肝臓比で正規化した。患者単位の特徴量で、3 つの機械学習モデル（XGBoost、AdaBoost、ロジスティック回帰）を学習させた。学習には入れ子交差検証を用いた。クラスの偏りは SMOTE（合成少数オーバーサンプリング法）で補正した。比較の基準として、SUVmax の指標に基づくモデルを用いた。ラジオミクス特徴量と 3 年・5 年生存との相関も、Mann-Whitney U 検定で評価した。
解析した患者は 156 例である。病変 2,076 個をセグメンテーションし、ラジオミクス特徴量 200 個を抽出した。病型分類では、びまん性大細胞型 B 細胞リンパ腫（DLBCL）で AdaBoost の AUC が最も高かった（0.863、正解率 0.742）。XGBoost は、高悪性度非ホジキンリンパ腫（NHL）で最も良い成績だった（AUC 0.825、正解率 0.735）。結節硬化型ホジキンリンパ腫（NS-HL）でも最良だった（AUC 0.827、正解率 0.832）。古典的ホジキンリンパ腫（C-HL）では、ロジスティック回帰が最良だった（AUC 0.849、正解率 0.775）。SUVmax によるモデル（LR-SUV_MAX）は、どの病型でも成績が劣った（AUC：C-HL 0.630、高悪性度 NHL 0.700、NS-HL 0.638、DLBCL 0.664）。いずれの差も統計的に有意だった（P < 0.001）。
ラジオミクス特徴量と臨床的特徴の一部は、3 年・5 年の全生存と有意に関連した。解析対象は、3 年生存で 110 例、5 年生存で 74 例だった。SUV-GLSZM の small area emphasis（P = 0.0019）、年齢（P = 0.0002）、脾臓浸潤（P = 0.0014）などが有意に関連した。
ラジオミクス特徴量に機械学習を組み合わせると、SUVmax だけの場合よりリンパ腫の病型分類が有意に良くなる。患者の生存を予測できる可能性も示された。
オンライン版の補足資料は https://doi.org/10.1007/s13139-026-01017-4 で入手できる。
掲載誌の IF 相当：2.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Hasanabadi S, Aghamiri SMR, Abin AA, Vosoughi H, Emami F, Bakhshayesh Karam M, et al. Enhanced Lymphoma Subtype Classification and Prognosis Using Machine Learning with 18F-FDG PET/CT Radiomics: Beyond SUVmax. Nucl Med Mol Imaging. 2026 Apr 27;60(5):566-80. doi:10.1007/s13139-026-01017-4. PMID: 42824644.確認の範囲：抄録のみ確認 - A convolutional neural network for fully automated total metabolic tumor volume delineation in patients with aggressive Non-Hodgkin lymphoma抄録（全訳）
目的：[18F]FDG-PET で求める総代謝腫瘍体積（TMTV）は、ホジキンリンパ腫と非ホジキンリンパ腫の予後をよく予測する。ただし、TMTV を臨床のバイオマーカーとして使うには、腫瘍を正確かつ速く描出する方法が必要である。この分野では、深層学習による手法が有望な結果を出している。深層学習の手法には、古典的な手法にない明確な利点もある。そこで本研究は、畳み込みニューラルネットワーク（CNN）の学習を目的とした。大きさや集積の特徴にかかわらず、すべてのリンパ腫病変を描出できるようにする。あわせて、個々の病変の輪郭を最適に描出する。
方法：ニューラルネットワークは、ソフトウェアパッケージ nnU-Net で学習させた。学習には主データセットを用いた。主データセットは、PETAL 試験に参加した非ホジキンリンパ腫患者 716 例の [18F]FDG-PET/CT 計 1192 スキャンで構成される。正解の描出には、経験豊富な観察者が臨床的にリンパ腫の病変と判断したものをすべて含めた。この正解データは、中間段階の CNN モデルの助けを借りながら、繰り返し作成した。学習したネットワークの性能は、主データセットでは 5 分割交差検証で評価した。外部のベンチマークデータセット（N = 60 スキャン）でも評価した。
結果：手動と自動の描出を比べた。手動と自動の描出を比べると、主データセット（括弧内は外部データセット）の統合 Dice 係数は 0.895（0.715）に達した。対応する TMTV どうしの相関も高く、R² = 0.974（0.767）だった。手動で描出した病変は、主データセットで計 8971 個（外部は 713 個）あった。その検出感度は 71.2%（77.6%）、陽性的中率は 84.1%（63.1%）だった。主データセットの単変量 Cox 回帰分析では、手動と自動のどちらの TMTV も無増悪生存期間（PFS）の強い予後因子だった。ハザード比もよく似ていた（手動：ハザード比 3.5、P < 0.001／自動：ハザード比 3.7、P < 0.001）。
結論：本研究では、リンパ腫患者の [18F]FDG-PET/CT 画像で TMTV を正確に描出できる CNN モデルを示した。このモデルは、すべての腫瘍病変を描出するよう学習させてある。この作業に付きものの典型的な注意点も考慮している。開発したネットワークを使えば、リンパ腫画像データの定量解析を大幅に速められる。監督のもとで臨床に用いられる可能性もある。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Nikulin P, Hoberück S, Apostolova I, Maus J, Hüttmann A, Dührsen U, et al. A convolutional neural network for fully automated total metabolic tumor volume delineation in patients with aggressive Non-Hodgkin lymphoma. Eur J Nucl Med Mol Imaging. 2026 Mar 24;53(8):5074-87. doi:10.1007/s00259-026-07810-9. PMID: 41872336; PMCID: PMC13249771.確認の範囲：全文を確認 - Early prediction of adult lymphoma-associated haemophagocytic lymphohistiocytosis using an interpretable machine learning model抄録（全訳）
リンパ腫関連血球貪食性リンパ組織症（LA-HLH）は死亡率が高い。そのため早期診断と適切な治療が予後改善に欠かせない。本研究では LA-HLH と診断された 126 例と、非 LA-HLH の 254 例を組み入れた。LA-HLH を他の HLH 病型から時機を逃さず鑑別できるよう、機械学習による予測モデルを作り、検証した。モデルには早期予測用の 11 変数を用いた。影響の大きい上位 5 つは年齢、フェリチン、単球比率、ヘモグロビン、血小板数であった。7 種類の機械学習アルゴリズムを比べたところ、ランダムフォレストが最も成績が良かった。曲線下面積（AUC）は訓練データで 0.946、検証データで 0.794 であった。次に、可溶性インターロイキン-2 受容体（sCD25）や PET-CT の SUVmax といった疾患特異的な指標を加えた併用モデルも評価した。検証データでの AUC の上昇は有意ではなかった。最後に、最適なモデルをウェブツールとして実装し、早期の原因の鑑別を支えられるようにした。これにより、LA-HLH の患者で標的を絞った検査と適切な治療を速やかに始めやすくなる可能性がある。
掲載誌の IF 相当：3.0（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Luan M, Jia R, Wang D, Zhang F, Han X, Sheng X, et al. Early prediction of adult lymphoma‐associated haemophagocytic lymphohistiocytosis using an interpretable machine learning model. Br J Haematol. 2026 Mar 23;208(6):2047-58. doi:10.1111/bjh.70447. PMID: 41871894.確認の範囲：抄録のみ確認 - A deep learning PET/CT biomarker for early progression (POD24) and survival stratification in follicular lymphoma: a multicenter study抄録（全訳）
目的：ベースラインの [¹⁸F]FDG PET/CT をもとに、表形式データ向け深層学習で予後予測の画像バイオマーカーを作り、検証する。対象は濾胞性リンパ腫（FL）の患者で、24 か月以内の病勢進行（POD24）の予測と生存リスクの層別化をねらった。
方法：後ろ向きの多施設研究で、独立した 5 施設から新規診断の FL（グレード 1〜3a）309 例を集めた。ベースラインの [¹⁸F]FDG PET と CT で腫瘍体積を切り出し、多数のラジオミクス特徴量を抽出した。従来の機械学習 5 手法と、表形式データ向けの先進的な深層学習 4 モデルを作って比べた。GAMformer モデルの予測出力を深層学習スコア（DLS）と定義した。訓練コホートでは DLS に臨床変数と PET の代謝パラメータを組み合わせ、多パラメータモデルを構築した。性能は AUC（受信者動作特性曲線下面積）、較正曲線、決定曲線分析で評価し、検証コホートでも確かめた。
結果：追跡期間の中央値 44 か月のあいだに、POD24 が 55 例で生じた。DLS は POD24 をよく予測した（訓練 AUC = 0.857、検証 AUC = 0.753）。多パラメータモデルは判別能をさらに高め、AUC は訓練コホートで 0.882、検証コホートで 0.797 となった。これは FLIPI、FLIPI-2、PRIMA-PI を上回る成績である。較正は良好に一致し、決定曲線分析では臨床的な純便益がより大きかった。DLS は生存リスクを層別化でき（P < 0.05）、組織学的グレードのいずれでも生存と POD24 を予測できた。
結論：ベースラインの [¹⁸F]FDG PET/CT から得た DLS で、FL の POD24 予測と正確な生存リスク層別化ができる。精密な治療管理に役立つ可能性がある。
掲載誌の IF 相当：5.5（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Huang H, Zhang T, Jiang Z, Zhang Z, Jiang Q, Teng Y, et al. A deep learning PET/CT biomarker for early progression (POD24) and survival stratification in follicular lymphoma: a multicenter study. Eur J Nucl Med Mol Imaging. 2026 Mar 23;53(8):5060-73. doi:10.1007/s00259-026-07838-x. PMID: 41870550.確認の範囲：抄録のみ確認 - Integrating machine learning and molecular simulations for the design of potent HDAC2 inhibitors in diffuse large B-cell lymphoma抄録（全訳）
ヒストン脱アセチル化酵素 2（HDAC2）は、びまん性大細胞型 B 細胞リンパ腫（DLBCL）の発症で重要な役割を担う。そのため治療標的として有望である。本研究では計算手法を組み合わせた戦略を用いた。内容は機械学習による定量的構造活性相関（QSAR）モデル、分子ドッキング、ADMET による絞り込み、分子動力学（MD）シミュレーションである。これにより HDAC2 阻害薬の候補を探し、最適化した。HDAC2 に活性を示す分子 1995 個のデータセットを作り、主要な分子記述子 25 個に絞り込んだ。その結果、頑健なランダムフォレスト QSAR モデルを構築できた（R² = 0.926、CCC = 0.956）。予測上位の化合物をドッキングと薬物動態の評価にかけたところ、化合物 10 が有望なリード化合物として浮かび上がった（結合エネルギー約 -10.2 kcal·mol⁻¹）。最適化を進めて類縁体 10 g を得た。10 g は親和性が高まり（-10.9 kcal·mol⁻¹）、MD シミュレーションではタンパク質とリガンドの相互作用が安定していた。MM-GBSA による結合自由エネルギーも良好であった（ΔG_bind 約 -40.3 kcal·mol⁻¹）。in silico の薬物動態解析からも、安全性と医薬品らしさは許容できる水準と考えられた。この多段階のパイプラインは 10 g を実験的検証の有力な候補として挙げる。あわせて、抗リンパ腫薬の探索で予測モデルと構造に基づく改良を組み合わせる意義も示している。
掲載誌の IF 相当：3.1（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Isah JJ, Uzairu A, Uba S, Ibrahim MT. Integrating machine learning and molecular simulations for the design of potent HDAC2 inhibitors in diffuse large B-cell lymphoma. Comput Biol Chem. 2026 Aug;123:108949. doi:10.1016/j.compbiolchem.2026.108949. PMID: 41722288.確認の範囲：抄録のみ確認 - Multimodality Artificial Intelligence for Involved-Site Radiation Therapy: Clinical Target Volume Delineation in High-Risk Pediatric Hodgkin Lymphoma抄録（全訳）
ホジキンリンパ腫（HL）の病巣部放射線治療（ISRT）では、臨床標的体積（CTV）の輪郭入力に時間がかかる。計画 CT に重ね合わせた複数時点のポジトロン放出断層撮影（PET）／コンピュータ断層撮影（CT）を読む必要があるためである。本研究の目標は、複数モダリティの画像を統合した CTV の自動分割アルゴリズムを作り、ISRT の計画に役立てることであった。対象は Children's Oncology Group の AHOD 1331 試験に登録された高リスク HL の小児 288 例で、計画 CT、初回 PET/CT（PET1）、中間 PET/CT（PET2）を用いた。24 施設の 58 例は外部テスト用に取り分け、残る 95 施設の 230 例でモデルを開発した。深層学習（DL）の 3 つのアーキテクチャ（SegResNet、ResUNet、SwinUNETR）を検討し、計画 CT に PET1 と PET2 を加える効果を調べた。性能は Dice 類似係数（DSC）と 95% ハウスドルフ距離（HD95）で評価した。観察者間のばらつきは、施設が元々作った CTV と、放射線腫瘍医 4 名が 10 例で新たに描いた CTV を比べて推定した。最も成績の良いモデルが作った CTV の質は、別の 40 例で放射線腫瘍医が 5 段階の Likert 尺度で独立に評価し、施設の元の CTV と比べた。外部コホートでは、計画 CT と PET1、PET2 を用いた SwinUNETR が最も良く、DSC は 0.72、HD95 は 34.43 mm であった。PET/CT 画像を取り入れたモデルはいずれも、計画 CT のみのモデルより有意に良かった（P < .01）。観察者間のばらつきの解析では、DSC 0.70、HD95 30.14 mm であった。臨床評価では、DL が作った CTV の質の平均点は 5 点満点で 3.38 で、医師が手で描いた元の CTV（3.13）と同程度であった（P = .13）。
結論：DL モデルは、手で描いた CTV と同程度の質で臨床的に使える CTV を作れた。ISRT の計画で医師の効率を高められる可能性がある。
掲載誌の IF 相当：0.9（OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Tie X, Milgrom SA, Lo AC, Charpentier AM, LaRiviere MJ, Maqbool D, et al. Multimodality Artificial Intelligence for Involved-Site Radiation Therapy: Clinical Target Volume Delineation in High-Risk Pediatric Hodgkin Lymphoma. Int J Radiat Oncol Biol Phys. 2026 Jul;125(3):919-30. doi:10.1016/j.ijrobp.2025.12.005. PMID: 41391612; PMCID: PMC12991415.確認の範囲：抄録のみ確認