AIとがん研究 ── 多発性骨髄腫 ── 2026-11-05
多発性骨髄腫の治療・治験とAI
- AI-based automated body composition analysis from whole-body MRI and (PET-) CT: an intermodal comparison from same-day examinations抄録（全訳）
AI が算出した体積ベースの体組成指標について、2 種類の画像検査の間で値がどこまで一致するかを調べた。比べたのは [18F]FDG-PET/CT で得た低線量 CT と、全身 MRI（wb-MRI）である。
対象は前向き試験 GMMG-HD7 と GMMG-HD8/DSMM-XIX に参加した多発性骨髄腫の連続症例である。同じ日に撮影した全身低線量 CT（[18F]FDG-PET/CT 由来）と wb-MRI を後ろ向きに解析した。解析には、TotalSegmentator モデルを基にした深層学習の自動パイプラインを使った。CT には同じモデルを、MRI にはその MRI 版を用いた。これにより、骨格筋（SM）、皮下脂肪組織（SAT）、腹部の内臓脂肪組織（VAT）を領域分割した。体積の指標と、単一スライスでの推定値を求めた。CT と MRI の指標の一致度は、Pearson の相関係数 r、級内相関係数（ICC）、Bland-Altman 解析で評価した。
同じ日に PET/CT と wb-MRI を受けた多発性骨髄腫患者 42 例を対象とした。AI による体積ベースの体組成指標では、SM・SAT・VAT のいずれでも CT と MRI の一致度は高かった（ICC > 0.95）。ただし Bland-Altman プロットでは、MRI と CT の間にモダリティに由来する系統的な差が見られた。MRI から求めた値は CT より、SM（バイアス -2582 ml、P < 0.0001）と VAT（バイアス -211 ml、P < 0.0001）で有意に低かった。SAT の差は統計的に有意ではなかった（バイアス -263 ml、P = 0.1629）。
AI による単一スライス解析では、SAT と VAT の一致度は高いままだった（ICC > 0.97）。一方、SM では一致度が下がった（ICC 0.87）。Bland-Altman プロットでは、MRI で得た SM が CT より系統的かつ有意に低かった（バイアス -18.4 cm²、P < 0.0001）。
（PET-）CT と wb-MRI から自動で求めた体組成の値はよく一致する。しかしモダリティ間には一貫したバイアスがある。複数モダリティのデータを統合するときや、モダリティを問わない閾値を当てはめるときは、この差を考慮すべきである。該当なし。
掲載誌の IF 相当：5.7（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：Holzschuh JC, Rotkopf LT, Neelsen C, Bauer F, Zhang KS, Menis E, et al. AI-based automated body composition analysis from whole-body MRI and (PET-) CT: an intermodal comparison from same-day examinations. Cancer Imaging. 2026 Oct 24;26(1):149. doi:10.1186/s40644-026-01134-5. PMID: 42928255.確認の範囲：抄録のみ確認 - Skill-guided agentic reasoning enables longitudinal synthesis of myeloma records at expert-level concordance抄録（全訳）
多発性骨髄腫の患者は何年にもわたって治療を順に受ける。その間に診療文書は数百件にのぼる。治療を決めるたびに、その経過全体をまとめて読み解く必要がある。大規模言語モデルを使うシステムがこの作業で専門家並みの一致に届くのか、どこで失敗するのかは、まだ分かっていない。
対象は、25 年間に治療を受けた 811 例の長期記録（文書 44,962 件、検査値 1,334,677 件）である。検証したのは、索引付きの臨床スキルライブラリに沿って動くエージェント型推論システムである。比較相手は次の 4 方式とした。単回の検索拡張生成（RAG）、反復 RAG、同じスキルライブラリを加えた反復 RAG、記録全体をそのまま入力する方式である。評価には、専門家が判定した患者と質問のペア 469 組を使った。探索的に、MIMIC-IV を使ったデータセット間の評価も行った。
スキル誘導型エージェントの一致率は 80.1% だった。反復 RAG（75.7%）と全文入力（75.8%）は、ほぼ同じ水準で頭打ちになった。スキルを使うエージェントはこの上限を超え、一致率は 80.1% だった。最も複雑な課題（+11.2 パーセントポイント）と最も長い記録では、差がさらに広がった。
同じスキルライブラリを反復 RAG に与えると、全体ではエージェントと同等になった（79.0%）。短めの記録でも同等だった。それでも最も長い記録では、エージェントが有意に上回った（上位 10% で +10.3 パーセントポイント、P = 0.017）。最も複雑な質問では、エージェントが数値上は上回ったが、有意差はなかった（+5.4 パーセントポイント）。
全体の誤り率（12.2%）は、専門家どうしの不一致（13.6%）と同程度だった。ただし、臨床的に重大な誤りの割合はシステムのほうが高かった（57.8% 対 18.8%）。
掲載誌の IF 相当：9.8（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：Moll J, Lübberstedt J, Nuernbergk C, Stroh J, Mertens L, Purcarea A, et al. Skill-guided agentic reasoning enables longitudinal synthesis of myeloma records at expert-level concordance. NPJ Precis Oncol. 2026 Oct 14;10(1):389. doi:10.1038/s41698-026-01733-2. PMID: 42875467; PMCID: PMC13669396.確認の範囲：全文を確認 - Cost-Effectiveness of AI-Powered Decentralized Production for Advanced Therapies in the Hospital-Generated Chimeric Antigen Receptor T-Cell Therapy for Multiple Myeloma From a German Hospital Perspective: Early Health Technology Assessment Study抄録（全訳）
キメラ抗原受容体 T 細胞（CAR-T）療法は効果がある。しかし現在の製造方法は集中型・手作業で、工程も複雑である。そのため費用と時間がかかり、品質もばらつきやすい。AIDPATH（AI-Powered Decentralized Production for Advanced Therapies in the Hospital）は、これに代わる分散型・自動化の製造方式として提案されている。患者ごとのデータを組み込み、資源の使い方を最適化する。細胞の生存率、製造効率、患者の転帰を改善できる可能性もある。
本研究では、三クラス抵抗性の多発性骨髄腫（MM）患者を対象とした。AIDPATH で製造した CAR-T 療法を、シルタカブタゲン オートルユーセル（cilta-cel）および標準治療（SoC）と比べることが目的である。分析はドイツの病院の立場から、40 年の時間軸で行った。
3 つの健康状態（無増悪、増悪、死亡）を表す分割生存モデルを用いた。cilta-cel には臨床試験のデータを、SoC には実臨床のデータを用いた。AIDPATH はまだ開発段階のため、パラメータには推定値を使った。主要評価項目は増分費用効果比（ICER）である。副次評価項目には感度分析とシナリオ分析を含めた。
このモデルでは、AIDPATH は cilta-cel と SoC のどちらに対しても優位（dominant）だった。CAR-T 療法の費用の大半は、製品の取得費と有害事象によるものだった。感度分析では、結果を最も大きく左右したのは割引率と無増悪生存期間（PFS）の仮定だった。シナリオ分析では、AIDPATH で有害事象が減る場合と、vein-to-vein 時間が短くなる場合も調べた。その結果でも、費用対効果の高さがさらに裏付けられた。
ドイツの病院の立場から、AI の支援で製造した CAR-T 製品の費用対効果を評価したのは本研究が初めてである。AIDPATH は cilta-cel と SoC のどちらに対しても、費用対効果の高い代替手段であることが分かった。将来の導入に向けた有望な選択肢である。さらなるデータは必要だが、本研究は医療関係者、償還をめぐる議論、今後の研究にとって有益な指針となる。
掲載誌の IF 相当：4.2（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：Boot IWA, Weltin AL, de Graaf Y, Vrijhoef HJM. Cost-Effectiveness of AI-Powered Decentralized Production for Advanced Therapies in the Hospital–Generated Chimeric Antigen Receptor T-Cell Therapy for Multiple Myeloma From a German Hospital Perspective: Early Health Technology Assessment Study. JMIR Cancer. 2026 Oct 13;12:e92253. doi:10.2196/92253. PMID: 42868529; PMCID: PMC13718277.確認の範囲：全文を確認 - Machine learning-based prognostic model and immune landscape analysis in multiple myeloma抄録（全訳）
多発性骨髄腫（MM）は形質細胞の悪性腫瘍である。複雑な細胞遺伝学的異常をもつ。骨髄の微小環境が腫瘍の増殖と薬剤耐性を促すことも、この疾患の特徴である。根治できる治療はまだない。それでも新しい分子標的治療には、耐性を克服して患者の転帰を改善する見込みがある。そこで本研究は、MM の予後バイオマーカーとその背後にある機序を特定し、検証することを目的とした。手法には、バイオインフォマティクス、機械学習、実験を組み合わせた。
まずバイオインフォマティクス解析で、MM の鍵となる候補遺伝子と分子経路を探した。データセット（GSE5900、GSE7116、GSE146649）から発現変動遺伝子（DEG）を抽出した。続いて、機能のエンリッチメント解析、タンパク質間相互作用ネットワーク解析、生存解析を行った。
その結果、GAS2L3 を MM の鍵となる遺伝子として特定した。GAS2L3 は予後と強く関連していた。GAS2L3 に基づくリスクモデルで、患者の生存を予測できた。機能解析には、Cell Counting Kit-8、Transwell、terminal deoxynucleotidyl transferase dUTP nick end labeling（TUNEL）法を用いた。RPMI-8226 細胞で GAS2L3 の発現を抑えると、細胞の増殖・遊走・浸潤が抑えられ、アポトーシスが促された。免疫浸潤解析では、GAS2L3 と免疫細胞集団の間に有意な関連が見られた。関連した細胞には、メモリー B 細胞やナチュラルキラー細胞が含まれる。単一細胞トランスクリプトーム解析では、HLA-E-KLRK1 シグナル軸が MM の進行の重要な調節因子であることが分かった。
本研究で、新しい分子マーカーと免疫調節経路が見つかった。MM の予後を理解し、治療戦略を考える手がかりになる。
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：Li W, Li L, Sun Y, Zhao T. Machine learning-based prognostic model and immune landscape analysis in multiple myeloma. Am J Transl Res. 2026;18(9):8501-21. doi:10.62347/eoza1443. PMID: 42923674.確認の範囲：抄録のみ確認 - A machine-learning-derived online prediction model based on inflammatory and nutritional composite indicators for acute kidney injury in sepsis patients with multiple myeloma抄録（全訳）
多発性骨髄腫（MM）の患者が敗血症になると、急性腎障害（AKI）を合併することが多い。MM と敗血症を併せ持つ患者には、特有の炎症と栄養の乱れがある。それを組み込んだ予測ツールで、検証されたものはまだない。
本研究の目的は、炎症と栄養の複合指標に基づく機械学習（ML）モデルを作り、外部検証することである。モデルは解釈できる形とし、敗血症の MM 患者が入院中に AKI を起こすかを予測する。さらに、診療の現場で使えるウェブツールとして公開することも目的とした。
この後ろ向きコホート研究では、陝西省人民医院（2020〜2025 年）から敗血症の MM 患者 362 例を登録した。開発コホートの内訳は、訓練用が 253 例、内部テスト用が 109 例である。時間的検証用には 71 例を登録した。さらに、別の三次医療機関（西安市第三医院）から、独立した外部検証コホート（n = 118）を集めた。
予測因子の候補は、8 つの複合指標と、通常の臨床変数および検査変数である。複合指標には、好中球・リンパ球比（NLR）、全身免疫炎症指数（SII）、LAR、アルブミン・アルカリホスファターゼ比（AAPR）などがある。Boruta と再帰的特徴量削減（RFE）で、予測因子を少数に絞り込んだ。
ML のアルゴリズムは 6 種類を比べた。ロジスティック回帰、SVM、MLP、LightGBM、XGBoost、ランダムフォレストである。比べた指標は、曲線下面積（AUC）、較正、決定曲線分析である。最終モデルは SHAP で解釈し、誰でも使える Streamlit アプリとして実装した。
AKI は 362 例中 206 例（56.9%）で起きた。選ばれた予測因子は 8 つで、NLR、LAR、クレアチニン、SII、PTA、シスタチン C、CRP、AAPR である。
性能が最も安定し、汎化性も最も高かったのはランダムフォレストだった。時間的検証での AUC は 0.8574 である（正確度 0.7465、感度 0.8205、特異度 0.6562）。外部検証でも AUC は 0.9650 だった（正確度 0.8983、感度 0.9000、特異度 0.8971）。較正は良好で、臨床上の正味の利益も安定して認められた。
SHAP 解析により、モデルへの影響が最も大きい予測因子が特定された。NLR、LAR、SII、シスタチン C、クレアチニン、CRP の高値と、PTA と AAPR の低値である。
モデルは（https://gftcs94ast7omb44cg2izq.streamlit.app/）で無料で使える。
日常的に測定できる 8 つの指標を使う解釈可能なランダムフォレストモデルは、敗血症を合併した MM 患者の AKI を正確に予測できる。このモデルは、アルゴリズムの複雑さとベッドサイドでの使いやすさを両立させている。このツールは、この高リスク集団で早期のリスク層別化と個別の腎保護に役立つ可能性がある。
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：Zhang Q, Xin Q, Guo H. A machine-learning-derived online prediction model based on inflammatory and nutritional composite indicators for acute kidney injury in sepsis patients with multiple myeloma. Front Nutr. 2026 Sep 7;13:1874801. doi:10.3389/fnut.2026.1874801. PMID: 42769257; PMCID: PMC13590401.確認の範囲：全文を確認 - Dynamic multimodal survival prediction in multiple myeloma integrating gene expression, longitudinal laboratory measurements, and treatment history抄録（全訳）
多発性骨髄腫（MM）の予後層別化は、診断時に決まる病期分類に頼っている。そのため、治療中に積み重なる時間の情報が使われずに捨てられている。
著者らは、動的なマルチモーダルの枠組みを作った。診断後 1〜18 か月の観察期間のデータから、その時点以降の全生存期間を予測する。モデルが統合するのは、DeepInsight で変換した遺伝子発現、10 種類の検査項目の経時的な推移、治療歴である。統合には、欠測を考慮したゲート付き融合を使った。
データには、多発性骨髄腫研究財団（MMRF）が行った CoMMpass 研究（Relating Clinical Outcomes in Multiple Myeloma to Personal Assessment of Genetic Profile）のコホート（n = 752）を用いた。開発用データを使い、5 分割のそれぞれに対応するモデルを訓練した。評価には、全モデルに共通する、CoMMpass の取り置き検証用データを用いた。
一致指数（C-index）の平均は 0.773 ± 0.024 だった。1 年時点の時間依存 ROC 曲線下面積（AUC）は 0.789 ± 0.021 だった。この成績は、比べた生存学習のベースライン手法を上回った。比較対象には、DeepSurv、Cox 比例ハザードのニューラルネットワーク、ランダム生存フォレストが含まれる。
Kaplan-Meier 法で層別化すると、主要なランドマーク時点のすべてで群がはっきり分かれた（ハザード比 3.46〜3.93、ログランク P < .001）。
蒸留した生徒モデルも作った。入力は、DeepInsight による遺伝子発現の表現と、ベースラインの臨床特徴 5 項目だけである。このモデルを、再訓練せずに独立したマイクロアレイのコホート（GSE24080、n = 507）に適用した。C-index は 0.672、1 年時点の時間依存 AUC は 0.740 だった。入力を減らした設定でも、コホート間で転用できる可能性が支持された。
解釈可能性の解析で、ユビキチン・プロテアソーム、小胞体（ER）ストレス、インターフェロンα応答のシグナルが得られ、既知の骨髄腫生物学と合致した。これらは、骨髄腫の生物学として確立した知見と一致する。
以上の結果は、MM の経時的な予後評価に動的マルチモーダルモデルを使える可能性を支持する。
掲載誌の IF 相当：7.9（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：Jia S, Lysenko A, Boroevich KA, Sharma A, Tsunoda T. Dynamic multimodal survival prediction in multiple myeloma integrating gene expression, longitudinal laboratory measurements, and treatment history. Brief Bioinform. 2026 Sep 7;27(5):bbag475. doi:10.1093/bib/bbag475. PMID: 42704271; PMCID: PMC13548322.確認の範囲：全文を確認 - Machine Learning-Derived Immune Gene Signature Predicts Prognosis and Therapeutic Vulnerabilities in Multiple Myeloma抄録（全訳）
免疫微小環境は、多発性骨髄腫（MM）の生物学的・臨床的な多様性に大きく関わる。しかし、予後予測で再現性のある価値を示す免疫関連の分子バイオマーカーは、なお限られている。
本研究では、統合的な機械学習の枠組みで、12 遺伝子からなる免疫関連遺伝子シグネチャー（IRGS）を作った。その予後予測の性能を、複数の MM コホートで評価した。
IRGS は、全生存期間を一貫して層別化できた。IRGS は、既知の臨床共変量で調整しても、転帰と独立に関連していた。評価した検証データセットで、予後の識別能は IFM15 と同程度だった。評価した検証データ全体で、予後の判別能は MRCIX6 とマイトファジー関連シグネチャーをおおむね上回った。
単一細胞 RNA シーケンスで、12 遺伝子モジュールの活性が細胞の種類によって大きく違うことが分かった。12 遺伝子モジュールの活性は、形質細胞では比較的低く、形質細胞以外のいくつかの区画では高かった。バルクから導いた IRGS は、悪性形質細胞に固有のプログラムだけを反映するものではない。むしろ骨髄の多細胞にわたる転写状況を反映していることが示唆された。
体細胞変異の解析では、IRGS で分けた群の間で変異のパターンが異なっていた。低 IRGS 群では DIS3 変異が、高 IRGS 群では MUC16 変異が相対的に多かった。低 IRGS 群では、腫瘍変異負荷もやや高かった。
トランスクリプトームに基づく薬剤反応の予測でも、高 IRGS 群と低 IRGS 群で感受性の予測パターンが異なり、治療上の脆弱性に差があることが示唆された。感受性パターンの違いは、アポトーシス、DNA 損傷、BET、チェックポイント、複製ストレスに関わる薬剤にわたって見られた。高 IRGS 群と低 IRGS 群で、予測された感受性のパターンが異なっていた。
以上の結果から、IRGS は MM の予後層別化を補完する、免疫関連の分子バイオマーカーと位置づけられる。また、予後を次の三つと結びつける枠組みを示した。多細胞の転写状況、体細胞変異の特徴、治療上の脆弱性の候補である。
掲載誌の IF 相当：4.4（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：Wang K, Zhao C, Shi J, Liu S, Chen Y, Wang J, et al. Machine Learning‐Derived Immune Gene Signature Predicts Prognosis and Therapeutic Vulnerabilities in Multiple Myeloma. Cancer Sci. 2026 Sep 6 [Epub ahead of print]. doi:10.1111/cas.70523. PMID: 42702361; PMCID: PMC13546800.確認の範囲：全文を確認 - The deep learning radiomics nomogram for risk stratification in multiple myeloma using automatic whole-body [ 18 F]FDG PET/CT segmentation approach抄録（全訳）
全身の [18F]FDG PET/CT で、多発性骨髄腫（MM）の自動セグメンテーションと正確なリスク層別化を行う深層学習（DL）手法の開発を目的とした。多発性骨髄腫（MM）の全身 [18F]FDG PET/CT を対象に、自動セグメンテーションと正確なリスク層別化を目指した。
この後ろ向き研究では、2013 年 8 月〜2023 年 12 月に [18F]FDG PET/CT を受けた MM 患者を対象とした。限局性病変の自動セグメンテーションには、PET/CT の 2 チャンネル入力で訓練した nnU-Net を用いた。びまん性・混合型では、骨のセグメンテーション内で肝臓の SUVmedian による閾値を用いて、腫瘍を自動で特定した。
続いて、Pyradiomics と STU-Net のエンコーダーを用いて、DL 特徴量とラジオミクス特徴量を抽出した。Cox 比例ハザードモデルで深層学習ラジオミクスノモグラム（DLRN）を構築し、校正曲線・ROC 曲線・Kaplan-Meier 曲線・決定曲線分析で評価した。評価には、較正曲線、受信者動作特性（ROC）曲線、Kaplan-Meier 曲線、決定曲線分析を用いた。
対象は 345 例である（年齢中央値 59 歳［四分位範囲（IQR）35〜67 歳］、男性 198 例）。nnU-Net による限局性病変のセグメンテーションでは、Dice 係数（DSC）の中央値がコホートごとに 0.64〜0.77 だった。
DLRN は、深層学習ラジオミクススコア（DLRS）、乳酸脱水素酵素（LDH）、β2 ミクログロブリン（β2-MG）を統合して作った。DLRN による 3 年全生存期間（OS）の状態予測の ROC 曲線下面積（AUC）は、訓練・内部試験・外部試験コホートの順に 0.87（95% 信頼区間 [CI]: 0.82-0.93）、0.84（95% CI: 0.73-0.96）、0.88（95% CI: 0.76-0.99）であった。訓練コホートで 0.87（95% 信頼区間 0.82〜0.93）だった。内部テストコホートで 0.84（95% 信頼区間 0.73〜0.96）だった。外部テストコホートで 0.88（95% 信頼区間 0.76〜0.99）だった。いずれも国際病期分類（ISS）を上回った（すべて P < 0.05）。
さらに DLRN は、高リスクの患者を有効に特定できた（すべて P < 0.05）。予測した生存確率は、実際の生存確率とよく一致した。予測した生存確率と観察した生存確率はよく一致し、臨床上の正味の利益も得られた。
病変のパターンに応じた DL 手法で、MM の全身の腫瘍を自動でセグメンテーションできた。また、構築した DLRN は、リスク層別化の能力の向上を示した。
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：Xiao M, Zhong Y, Hao H, Yu X, Hu D, Wang J, et al. The deep learning radiomics nomogram for risk stratification in multiple myeloma using automatic whole-body [18F]FDG PET/CT segmentation approach. Eur J Nucl Med Mol Imaging. 2026 Jul 27;53(12):7274-87. doi:10.1007/s00259-026-08095-8. PMID: 42503527.確認の範囲：抄録のみ確認 - Development and temporal validation of a machine learning-based model for predicting renal impairment in multiple myeloma: a single-center retrospective cohort study抄録（全訳）
多発性骨髄腫（MM）は造血系の悪性腫瘍で、異常な形質細胞がクローン性に増える。腎機能障害（RI）を伴うことが多く、患者の生活の質を大きく損なう。本研究の目的は、MM で RI が起きるリスクを評価する予測モデルを作ることである。
この後ろ向き研究には MM 患者 1029 例が含まれる。患者は RI のない群と RI のある群に分けた。モデル作成用データ（コホート 1）は 792 例（RI なし 401 例、RI あり 391 例）であった。検証用データ（コホート 2）は 237 例（RI なし 119 例、RI あり 118 例）であった。
8 種類の機械学習（ML）アルゴリズムをモデル作成用データ（n = 792）で評価した。モデルの検証は、検証用データセット（n = 237）で行った。予測性能は、受信者動作特性曲線下面積（AUC）、較正曲線、決定曲線解析で評価した。
8 種類のうち最適なモデルは XGBoost であった。XGBoost に基づいて構築した予測モデル RI-Lab6 には、6 つの特徴量を組み込んだ。特徴量は、NLR、LDH、Hb、ACa、AGR、β2 ミクログロブリンである。
RI-Lab6 の AUC は、モデル作成用データ（コホート 1）で 0.99（95% 信頼区間 0.98〜0.99）であった。検証用データ（コホート 2）では 0.98（95% 信頼区間 0.96〜0.99）であった。これらの結果は、RI-Lab6 モデルが MM 患者の RI リスクに対して信頼できる予測価値をもつことを示した。また、これらの患者で RI を早期に見つけやすくした。
掲載誌の IF 相当：7.6（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 M, Feng S. Development and temporal validation of a machine learning-based model for predicting renal impairment in multiple myeloma: a single-center retrospective cohort study. BMC Med Inform Decis Mak. 2026 Jul 24;26(1):377. doi:10.1186/s12911-026-03689-6. PMID: 42816840; PMCID: PMC13625446.確認の範囲：全文を確認 - Establishment of a Multimodal Prognostic Prediction Model for Multiple Myeloma Patients Based on Radiomics and Clinical Features: A Retrospective Cohort Study抄録（全訳）
本研究の目的は二つある。一つは、新たに診断された多発性骨髄腫（MM）で、ラジオミクスと臨床特徴を組み合わせた生存予測システムを作ることである。もう一つは、無増悪生存期間（PFS）を早い段階で予測するときの性能を、特徴セットとアルゴリズムごとに比べることである。
2022 年 6 月〜2024 年 6 月の MM 患者 300 例を後ろ向きに組み入れた。ベースラインの陽電子放射断層撮影（PET）、コンピュータ断層撮影（CT）、磁気共鳴画像（MRI）からラジオミクス特徴を集めた。臨床変数も集めた。
まず、ラジオミクスに基づくリスクスコア（Rad-score）を作った。次に、臨床特徴セット、画像特徴セット、両者を統合した特徴セットを使い、機械学習による生存モデルを 7 種類作った。
統合特徴セットに基づく勾配ブースティングモデル（GBM）は、12 か月 PFS の予測で、全体の性能が数値上は良好であった。ラジオミクスと臨床変数を統合すると、早期のリスク層別化に役立つ補完的な予測情報が得られる可能性がある。
このモデルで、高・中・低リスクの患者を効果的に区別できた（log-rank P < 0.001）。較正曲線解析と決定曲線解析では、較正が良好で、臨床上の正味の利益が大きいことが分かった。
Shapley additive explanations（SHAP）解析では、Rad-score はモデルで最も重要な特徴の一つであった。ラジオミクスの情報は、統合した特徴空間のなかで予後を予測する価値に寄与しうる。β2 ミクログロブリン、年齢、乳酸脱水素酵素、血中カルシウム、血小板数、ヘモグロビンも、寄与の大きい特徴として特定された。
ラジオミクスと臨床変数を統合すると、MM 患者の早期 PFS 予測が改善する可能性がある。統合特徴を使った GBM は、判別能が比較的良かった。このモデルは臨床に応用できる可能性があり、解釈しやすさも良好であった。
掲載誌の IF 相当：0.8（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：Sun S, Huang Z, Tang Y, Gu W, Wu L, Shen F. Establishment of a Multimodal Prognostic Prediction Model for Multiple Myeloma Patients Based on Radiomics and Clinical Features: A Retrospective Cohort Study. Turk J Haematol. 2026 Sep 2 [Epub ahead of print]. doi:10.4274/tjh.galenos.2026.33678. PMID: 42460671; PMCID: PMC13540411.確認の範囲：全文を確認 - Deep learning-based classifier for malignant plasma cell identification in myeloma抄録（全訳）
多発性骨髄腫（MM）は遺伝的な不均一性が大きい。このため、単一細胞データで悪性の形質細胞と悪性でない形質細胞を見分けるのは難しい。既存の方法には、マーカーに基づく方法とコピー数変異（CNV）を検出する方法がある。どちらも手作業の介入か大きな計算資源が必要で、使える範囲が限られる。
著者らは、教師あり深層学習のオートエンコーダーを作った。MM とその前駆段階の全体にわたって悪性細胞を分類する、教師あり深層学習のオートエンコーダーを開発した。その性能と生物学的な妥当性も検証した。
このモデルは他の手法を上回った。平均 AUC は内部データで 0.86、外部データで 0.80 であった。学習に使っていない検体でも、単一細胞解析の各プラットフォームを通じて高い性能を示した（平均 AUC 0.92）。
学習には MM の検体だけを使ったが、モデルは前駆段階でも悪性細胞を見分けられた。悪性と予測された細胞の割合は、疾患が進むにつれて増加した。意義不明の単クローン性ガンマグロブリン血症（MGUS）では 29.00%、くすぶり型多発性骨髄腫（SMM）では 77.83%、MM では 96.08% であった。
同一患者の治療前後の検体でも、治療後に悪性形質細胞の割合が減ることを正確にとらえ、治療効果の個人差を反映していた。この変化には、治療への反応が患者ごとに違うことが表れていた。
発現変動解析で、悪性形質細胞に特徴的な 12 遺伝子のシグネチャーが見つかった。このシグネチャーは生存不良と関連していた（ハザード比 2.7、log-rank P = 0.0023）。MMRF CoMMpass コホートでも検証された。
全体として、このモデルで悪性細胞を正確に特定できる。このモデルは悪性細胞を正確に同定でき、MM 研究に生物学的にも臨床的にも意義のある知見をもたらす。
掲載誌の IF 相当：9.8（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：Satpathy S, Michaud ME, Pilcher WC, Bhasin SS, Bhasin MK. Deep learning-based classifier for malignant plasma cell identification in myeloma. NPJ Precis Oncol. 2026 Jul 9;10(1):418. doi:10.1038/s41698-026-01589-6. PMID: 42426241; PMCID: PMC13728225.確認の範囲：全文を確認 - AI-derived whole-body MRI metrics in patients with multiple myeloma reveal unique insights into body composition and outcomes抄録（全訳）
多発性骨髄腫の患者は、長期間にわたって何ラインもの多剤治療を受けることが多い。こうした治療は、全身の健康状態、身体の予備力、生理的な回復力に大きく影響しうる。
全身スキャンには多くの臓器が写る。全身スキャンに写る臓器の画像は、本来の目的とは別に解析でき、体組成を直接、定量的に測れる。
全身磁気共鳴画像（WBMRI）は進歩し、標準化も進んだ。臓器や組織を自動で切り分ける人工知能（AI）の手法も、最近になって改良された。この二つを組み合わせれば、正確な病勢評価に体組成の指標を加えられる。
著者らの知る限り、このような AI を用いたパイプラインの開発は初めてである。このパイプラインは、多発性骨髄腫患者の全身 MRI（WBMRI）から、病変のない組織について画像由来の表現型を定量的に自動算出する。
日常診療で撮影された WBMRI から、深層学習のパイプラインで体組成の指標を算出できることを示した。治療期間を通じて、有意な経時変化がみられた（P < 0.001）。腹部骨格筋（ASM）は減り、腹部の皮下脂肪組織と内臓脂肪組織は一時的に増えた。
ベースラインで ASM が多い患者は、無増悪生存期間（PFS）が良好であった（ハザード比 0.60、95% 信頼区間 0.40〜0.89）。腹部皮下脂肪組織が多い場合も同様であった（ハザード比 0.67、95% 信頼区間 0.46〜0.98）。逆に、内臓脂肪組織が経時的に増えることは、PFS が劣ることと関連していた（ハザード比 2.89、95% 信頼区間 1.65〜5.09）。
これらの結果は、診断時の WBMRI から体組成の表現型を副次的に得る手法を支持する。この手法は、規模を拡大しやすいバイオマーカーとして、リスク層別化（一致指数 0.725）と機序の研究に使える。本試験は www.clinicaltrials.gov に NCT02403102 として登録されている。
掲載誌の IF 相当：6.2（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：Basty N, Kaiser M, Pawlyn C, Boyd K, Smith K, Thomas K, et al. AI-derived whole-body MRI metrics in patients with multiple myeloma reveal unique insights into body composition and outcomes. Blood Adv. 2026 Sep 9;10(18):6103-11. doi:10.1182/bloodadvances.2026020852. PMID: 42418394; PMCID: PMC13578971.確認の範囲：全文を確認 - Cross-modal fusion of cytomorphology and 18 F-FDG PET/CT for non-invasive bone marrow immune microenvironment decoding in multiple myeloma抄録（全訳）
骨髄免疫微小環境（BMME）は、多発性骨髄腫（MM）の治療反応を左右する。しかし、診断時に通常行う検査で主に評価するのは腫瘍量で、免疫が十分に働いているかではない。
著者らは、クロスモーダル深層学習の枠組みであるImmunoCast-MMを開発した。この枠組みは、診断時に通常行う二つの検査から、免疫に関わる信号を取り出す。二つの検査とは、ライト・ギムザ染色の骨髄穿刺塗抹標本と、全身の18F-FDG PET/CTである。
細胞形態の部分は、DinoBloomの埋め込み表現を使い、個々の細胞を5段階の階層で分類した。PET/CT の部分は、腫瘍、脾臓、リンパ節、びまん性の骨髄の各区画から、複数臓器の炎症フィンガープリントを作成した。対照学習を用いた統合モジュールは、二つの画像モダリティをフローサイトメトリーの参照パネルと整合させ、学習した効果細胞・抑制細胞の軸に沿って免疫機能障害指数（IDI）を算出した。IDI は、効果細胞側から抑制細胞側へ向かう軸上の位置を表す。
ImmunoCast-MM は、新たに診断された MM 患者 243 例で後ろ向きに評価した。フローサイトメトリーの測定値、無増悪生存期間（PFS）、ダラツムマブへの反応との関連を調べた。解析では、国際病期分類（ISS）の病期、細胞遺伝学的リスク、年齢で調整した。
検証用に取り分けた症例では、デコードした細胞形態の指標が、対応するフローサイトメトリーの分画と相関した。指標とパネルの3組で、スピアマンのρは0.68〜0.81であった。Benjamini-Hochberg法で調整したP値はいずれも0.001未満であった。
統合した埋め込み表現を教師なしでクラスタリングすると、免疫が保たれた型と免疫が疲弊した型が同定された。この二つの型は、PFS とダラツムマブへの反応が異なっていた。従来のリスク指標に IDI を加えると、一致指数は 0.58 から 0.75 に上がった（p<0.001）。
ダラツムマブへの反応についても、ROC 曲線下面積が 0.55 から 0.81 に改善した（p<0.001）。ImmunoCast-MM は、二つの標準的な診断検査を、BMME を非侵襲的に調べる手段として捉え直すものである。
この枠組みは、特に高次元フローサイトメトリーを使えない施設で、リスク評価と免疫療法の層別化を支える可能性がある。この枠組みは、リスク評価や免疫療法の層別化に役立つ可能性がある。高次元フローサイトメトリーを使えない施設では、特にそうである。
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：Gao M, Ouyang G, Liu Y, Chen S, Xu K. Cross-modal fusion of cytomorphology and 18F-FDG PET/CT for non-invasive bone marrow immune microenvironment decoding in multiple myeloma. Front Immunol. 2026 Jun 24;17:1856163. doi:10.3389/fimmu.2026.1856163. PMID: 42421956; PMCID: PMC13342052.確認の範囲：全文を確認 - Identification of Neutrophil Extracellular Traps-Related Biomarkers in Multiple Myeloma Using Machine Learning and Experimental Validation抄録（全訳）
多発性骨髄腫（MM）は複雑な血液がんで、悪性の形質細胞が無秩序に増える。好中球細胞外トラップ（NETs）は近年、がんへの関与が指摘されている。ただし、MMでの役割はまだ分かっていない。この研究の目的は、機械学習と実験的検証を用いてMMのNETs関連バイオマーカーを特定し、その背後にある仕組みを探ることである。
方法：Gene Expression Omnibusデータベースから、MMに関する3つのマイクロアレイデータセットを取得した。発現変動解析と重み付き遺伝子共発現ネットワーク解析で、MMのNETs関連ハブ遺伝子を特定した。機械学習のアルゴリズムで、バイオマーカーを絞り込んだ。中核遺伝子は、ROC解析、ノモグラムの作成、外部データセットで検証した。機能解析で、背後の仕組みを調べた。薬剤と遺伝子の相互作用を解析し、治療薬の候補を予測した。最後に、MM患者3例と健康な対照者3例の末梢血単核球で、定量リアルタイムPCRにより遺伝子の発現を検証した。 NETs関連ハブ遺伝子は計24個見つかった。機械学習のアルゴリズムで、MMのNETs関連中核バイオマーカーが3つ特定された。KITがん原遺伝子（KIT）、肝細胞増殖因子（HGF）、F2R様トリプシン受容体1（F2RL1）である。予測モデルは、学習コホートと外部コホートのいずれでも良好な予測性能を示した。機能解析では、バイオマーカー遺伝子と免疫関連の生物学的過程との間に有意な関連があった。さらに、これらのバイオマーカーを標的とする治療薬の候補が見つかった。ジフェニルピラリン（diphenylpyraline）、クリゾチニブ（Crizotinib）、1,4-クリセンキノン（1,4-chrysenequinone）、ヒスタミン（histamine）である。バイオマーカー遺伝子の発現パターンは、MMの臨床検体でも確認された。 この研究では、複数の機械学習モデルを組み合わせて、MMの鍵となるNETs関連バイオマーカーを特定した。臨床検体での検証により、これらのバイオマーカーが臨床の場でも関連をもつことが確認された。これらの知見は、MMの免疫微小環境と治療戦略をさらに研究するための基盤となる。本研究は、機械学習と実験的検証を通じて、MMのNETs関連バイオマーカーを特定し、検証することに成功した。MMでのNETs関連バイオマーカーの役割を理解できれば、この疾患への理解が深まるだけでなく、臨床応用に向けた情報も得られる可能性がある。
掲載誌の IF 相当：2.9（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：Wu H, Zhu Y, Wang B, Yang W. Identification of Neutrophil Extracellular Traps-Related Biomarkers in Multiple Myeloma Using Machine Learning and Experimental Validation. Curr Med Chem. 2026 Jun 17;33. doi:10.2174/0109298673438668260604035517. PMID: 42316496.確認の範囲：抄録のみ確認