AIとがん研究 ── 2026-11-05
がんと AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「13 のテーマのどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。
分類の共通: がん一般（2）
血液腫瘍: AML（0） · CML（0） · ALL（0） · CLL（0） · リンパ腫（0） · 多発性骨髄腫（0）
固形がん: 乳がん（2） · 肺がん（1） · 大腸がん（2） · 膵がん（1） · 前立腺がん（1） · 脳腫瘍（0） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（2） · 腎臓がん（0） · 膀胱がん（1）
希少癌: 腺様嚢胞癌（0）
がん一般の分子生物学の進展とAI
- Genome-anchored foundation model embeddings improve molecular prediction from histology images抄録（全訳）
精密腫瘍学には正確な分子情報が欠かせない。しかし、ゲノム解析で直接得るには費用と時間がかかり、臨床で広く使うには向かない。日常診療で作る全スライド画像（WSI）から、複雑な分子特徴や患者の予後を直接予測するのは、現在の深層学習手法ではまだ難しい。
本研究では PathLUPI を開発した。PathLUPI は、学習時にだけトランスクリプトームの特権情報を使う。これによりゲノムに紐づいた組織像の埋め込みを抽出し、推論時には WSI だけで分子を予測できる。推論時には WSI だけで分子予測ができる。
20 コホート・11,257 例を用い、49 の分子腫瘍学タスクで幅広く評価した。PathLUPI は、WSI だけで学習した従来手法より高い性能を示した。特に、バイオマーカー予測と分子サブタイプ分類のうち 14 タスクで、曲線下面積（AUC）≥ 0.80 を達成した。主要 5 がん種の生存コホートでは、一致指数（C-index）≥ 0.70 を達成した。
さらに、PathLUPI の埋め込みからは、特定の遺伝子型や関連する生物学的経路に対応する、特徴的な細胞形態の特徴が WSI 内で明らかになった。これらのパターンは、特定の遺伝子型や関連する生物学的経路と結びついていた。
PathLUPI は分子の文脈を組み込んで WSI の表現を洗練させる。これにより、既存モデルが抱える重要な限界を乗り越える。PathLUPI は、分子情報を日常の病理ワークフローにつなぐ新しい戦略でもある。これにより、より広い臨床応用が見込まれる。
掲載誌の IF 相当：18.1（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）書誌：Jin C, Zhou F, Yu Y, Ma J, Wang Y, Xu Y, et al. Genome-anchored foundation model embeddings improve molecular prediction from histology images. Nat Commun. 2026 Nov 2 [Epub ahead of print]. doi:10.1038/s41467-026-78947-2.確認の範囲：抄録のみ確認 - Spatial Proximity Mapping Identifies Vulnerabilities for Therapeutic Co-Targeting抄録（全訳）
主な知見: 近接マッピングで、CDCP1 が EGFR の腫瘍関連近接抗原パートナーであることが分かった。EGFR と CDCP1 を同時に標的にすると、複数のモダリティにわたって腫瘍細胞の殺傷が高まる。 概念: 光触媒による近接標識とグラフベースの機械学習で、腫瘍表面のタンパク質ネットワークを地図化する。
意義：腫瘍関連近接抗原という概念は、新しく腫瘍特異的な治療の同時標的を見つけるための有望な手段である。
掲載誌の IF 相当：8.0（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：[No authors listed]. Spatial Proximity Mapping Identifies Vulnerabilities for Therapeutic Co-Targeting. Cancer Discov. 2026 Oct 8;16(11):OF1-OF1. doi:10.1158/2159-8290.cd-rw2026-090. PMID: 42847768.確認の範囲：抄録のみ確認
血液腫瘍
急性骨髄性白血病（AML）の治療・治験とAI
この号では、新しい該当論文はありませんでした。
慢性骨髄性白血病（CML）の治療・治験とAI
この号では、新しい該当論文はありませんでした。
急性リンパ性白血病（ALL）の治療・治験とAI
この号では、新しい該当論文はありませんでした。
慢性リンパ性白血病（CLL）の治療・治験とAI
この号では、新しい該当論文はありませんでした。
リンパ腫の治療・治験とAI
この号では、新しい該当論文はありませんでした。
多発性骨髄腫の治療・治験とAI
この号では、新しい該当論文はありませんでした。
固形がん
乳がんの治療・治験とAI
- 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
肺がんの治療・治験とAI
- Integrative single cell and machine learning analysis identifies fibroblast centric hub genes and therapeutic candidates in lung adenocarcinoma and ischemic cardiomyopathy.抄録（全訳）
背景：虚血性心筋症（ICM）と肺腺がん（LUAD）は別の病気である。ただし、両者は組織リモデリングや炎症に関わる線維芽細胞を介した仕組みを共有している可能性がある。しかし、単一細胞の解像度で見た両者に共通する分子の特徴は、まだ十分に分かっていない。
方法：ICM と LUAD の単一細胞 RNA シーケンスデータセットを、TCGA LUAD、GSE18842、GSE48166 のバルクトランスクリプトームデータと統合した。発現変動解析で、両者に共通するコア遺伝子 36 個を特定した。機械学習アルゴリズムと特徴選択法の組み合わせ計 127 通りを比較評価し、ハブ遺伝子 6 個を特定した。6 個は KRTCAP3、RUNX2、DBF4B、C11orf80、COL3A1、ZFP64 である。機能の解析には、次の手法を用いた：UCell、scMetabolism、SCISSOR、Monocle 3、CellChat、scTenifoldNet/scTenifoldKnk、仮想薬剤スクリーニング、分子ドッキング。
結果：6 個のハブ遺伝子を主に発現していたのは、ICM でも LUAD でも線維芽細胞であった。COL3A1 は、線維芽細胞の擬時間軌跡に沿って徐々に増えた。仮想的な過剰発現解析とノックアウト解析の結果は、細胞外マトリックスの構築、炎症反応、免疫制御に収束した。細胞間コミュニケーション解析では、線維芽細胞が COLLAGEN シグナルの主な送り手であることが分かった。受け手となる細胞は、正常な状態では炎症性単球であった。受け手は、ICM では増殖中のマクロファージに、LUAD では腫瘍細胞に移っていた。分子ドッキングでは、RUNX2 に結合しうる候補化合物として Digoxin、Ergotamine、Ledipasvir が挙がった。いずれも予測ドッキングスコアは良好だった。
結論：本研究は、ICM と LUAD を単一細胞レベルで結びつける枠組みを示した。両者をつなぐのは、線維芽細胞が駆動する細胞外マトリックスのリモデリングと炎症である。あわせて、今後検証すべき分子標的と治療薬の候補を特定した。
掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-04 時点の値、2026-10-05 に取得。正式な IF（Clarivate）ではない）書誌：Pu Z, Liu Z, Zhang H, Han Y. Integrative single cell and machine learning analysis identifies fibroblast centric hub genes and therapeutic candidates in lung adenocarcinoma and ischemic cardiomyopathy. Transl Oncol. 2026 Dec;74:103096. doi:10.1016/j.tranon.2026.103096. PMID: 42971051.確認の範囲：抄録のみ確認
大腸がんの検診・治療・治験とAI
- Prognostic architecture of spatially resolved immune ecosystems in colorectal cancer: a multiplex immunohistochemistry and machine learning study抄録（全訳）
目的：大腸がん（CRC）の予後は、腫瘍微小環境（TME）に左右される。TME には、免疫細胞の空間的な配置や空間的免疫集簇（SIA）も含まれる。ただし、空間的に区別した免疫細胞サブセットが予後にどう関わるかは、まだ十分に分かっていない。特に、B 細胞に関わる表現型の予後的な意義はまだよく分かっていない。また、確立した臨床病理学的な予測因子と照らし合わせて、慎重に評価する必要がある。
方法：CRC 患者 786 例のコホートを解析した。10 種類の免疫表現型を標的とする多重蛍光免疫組織化学（mIHC）を行った。この多重免疫組織化学に、深層学習による単一細胞セグメンテーションと空間統計を組み合わせた。SIA の自動検出には、生物学的知見を反映させた DBSCAN（ノイズを考慮した密度ベースの空間クラスタリング）アルゴリズムを用いた。予後モデルの対象は、生存情報がそろった 636 例に限った。評価では、情報漏れ（リーク）が起きないよう、患者単位でデータを訓練用と検証用に分けた。比較の基準としたモデルは、次の 4 つである。TNM 分類に基づくモデル、臨床病理学的モデル、空間情報のみのモデル、統合 XGBoost モデル。空間的な不均一性、免疫サブセットの分布、領域ごとの関連、予後の予測性能を系統的に評価した。
結果：TME で最も多かったのは、増殖していない CD3+CD8−FOXP3− T 細胞だった（64.9%）。免疫細胞の構成は、病期と転移の有無によって異なった。SIA の自動検出結果は、病理医が確認したアノテーションとよく一致した。これにより、免疫表現型を領域ごとに調べることができた。SIA 領域の増殖性 CD8+ T 細胞は、良好な転帰と関連していた。一方、SIA 以外の領域の非増殖性 CD21+ B 細胞は、不良な転帰と関連していた。空間的な近さの解析では、転移に関連する距離のパターンが見つかった。たとえば、CD21− B 細胞と CD3+CD8−FOXP3− T 細胞の間の距離が短くなっていた。予後モデルの比較では、今回のコホートでもやはり臨床病理学的変数が最も強い予測因子だった。空間的特徴だけでは、単独での識別能は限られていた。空間変数と臨床病理学的変数を組み込んだ統合 XGBoost モデルからは、補完的な予後情報が得られた。ただし、臨床病理学的モデルを大きく上回ることはなかった。
結論：本研究では、CRC の空間免疫アトラスを高い解像度で作成した。また、患者の予後と関連する免疫の特徴を、空間的に区別して特定した。SIA の自動検出の枠組みと予後モデルの比較解析は、空間バイオマーカーを今後検証する際の探索的な土台となる。今回のデータが支持するのは、空間的特徴が主役ではなく、確立した臨床病理学的変数を補う役割を担うという見方である。主導的な役割ではない。
掲載誌の IF 相当：4.5（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：Lai Y, Wang J, Yong X, Wu Z, Guo G, Sun Y, et al. Prognostic architecture of spatially resolved immune ecosystems in colorectal cancer: a multiplex immunohistochemistry and machine learning study. Cell Oncol. 2026 Nov 2 [Epub ahead of print]. doi:10.1007/s13402-026-01309-z.確認の範囲：抄録のみ確認 - Computational image features of immune architecture reveal molecular patterns associated with outcome and risk of recurrence in microsatellite-stable or MSI-low colon cancers.抄録（全訳）
背景：腫瘍浸潤リンパ球（TIL）の密度は、結腸腺がん（COAD）の予後を知る手がかりになる。しかし、TIL の空間的な配置にさらに価値があるかは、まだ分かっていない。
方法：計算病理の枠組み CoATIL を開発した。CoATIL は、日常診療の H&E 染色ホールスライド画像から TIL の空間構築を数値化する。対象は、マイクロサテライト安定または MSI-low の COAD 患者 461 例である。モデルは University Hospitals Cleveland Medical Center の 140 例で訓練し、52 例で内部検証した。外部検証には、The Cancer Genome Atlas（n = 130）と Guangdong Provincial People's Hospital（n = 139）のデータを用いた。予後の予測性能は、Kaplan-Meier 解析と多変量 Cox 回帰で評価した。比較対象は、臨床モデルと、基盤モデルを使った多重インスタンス学習の 8 手法である。
結果：CoATIL は無増悪生存期間と関連した。標準偏差 1 つ分の上昇あたりのハザード比は 1.32（95% 信頼区間 1.13〜1.55、P < 0.001）、C-index は 0.66 だった。どの検証コホートでも、臨床病理学的因子で調整した後も予後と関連していた（調整ハザード比 2.00〜4.40、いずれも P < 0.05）。ステージ II とステージ III のそれぞれに限っても、高リスク群と低リスク群の層別は保たれた。ステージ II のハザード比は 3.07（95% 信頼区間 1.83〜5.15、P < 0.001）だった。ステージ III では 3.24（95% 信頼区間 1.28〜8.19、P = 0.013）だった。臨床モデルと CoATIL を組み合わせたモデルの C-index は 0.69 で、臨床モデル単独の 0.61 より高かった。対応のあるブートストラップで求めた差は 0.08（95% 信頼区間 0.03〜0.14）だった。探索的なゲノム解析では、AMER1 変異は CoATIL リスクスコアの低さと関連した。FBXW7 変異は、リスクスコアの高さと関連した。
結論：通常の組織標本から取り出した免疫の空間構築は、COAD の予後について補完的な情報をもたらす。前向きの検証が必要である。
掲載誌の IF 相当：3.1（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Song B, Maurya H, Khalighi S, Aqeel A, Corredor G, Hammouda K, et al. Computational image features of immune architecture reveal molecular patterns associated with outcome and risk of recurrence in microsatellite-stable or MSI-low colon cancers. Eur J Cancer. 2026 Dec;249:117810. doi:10.1016/j.ejca.2026.117810. PMID: 42966031.確認の範囲：抄録のみ確認
膵がんの治療・治験とAI
- Joint segmentation of pancreatic tumors and peripancreatic vessels via a clinical risk-aware uncertainty alignment framework.抄録（全訳）
膵がんを切除できるかどうかの術前評価は、造影 CT での正確なセグメンテーションに大きく左右される。鍵となるのは、腫瘍と膵周囲血管を同時に正確にセグメンテーションできるかである。ただし、実際の意思決定支援にはセグメンテーションの精度だけでは足りない。さらに、腫瘍周囲への浸潤リスクと、血管が位相的に途切れるリスクを、課題に即して捉える必要もある。そこで著者らは、臨床リスクを考慮した不確実性アラインメントの枠組みを提案した。この枠組みでは、高いセグメンテーション精度を保ったまま、リスクを確実に捉えられる。
枠組みの土台は、エビデンシャル深層学習を組み込んだデュアルデコーダ構造である。この構造で、同時セグメンテーションと不確実性の推定を行う。さらに、臨床的な根拠に基づく 2 つのアラインメント戦略を設計した。これらの戦略により、不確実性を課題別のリスク指標に変換する。
1 つ目は、浸潤を考慮した境界不確実性アラインメントモジュールである。このモジュールは、テクスチャ、空間、血管との近さという要因をまとめ、浸潤に着想を得た事前分布を作る。この事前分布の順序構造に沿ってアラインメントを行い、浸潤リスクを反映した不確実性を得る。この不確実性から浸潤を考慮した腫瘍境界を導き、後段の浸潤解析に用いる。
2 つ目は、トポロジーを考慮した不連続性不確実性アラインメントモジュールである。このモジュールは、骨格（スケルトン）が一致しない領域を、連結性に関わる代理指標として使う。そのうえで、3 段階の順序関係と、領域ごとに重み付けした教師信号によって、不確実性を制約する。これにより、不連続リスクを反映した不確実性が得られ、血管の連結性も向上した。
5 施設の患者 1058 例で多施設検証を行った。施設が異なっても、良好で安定した性能が得られた。後段の実験では、アラインメントした不確実性が腫瘍による血管浸潤の解析に役立つかを探索的に調べた。全体として、本研究は腫瘍と血管の正確な描出に、臨床的な根拠に基づくリスク評価を組み合わせた。この手法は、術前計画で腫瘍と血管の関係を評価する際の支援になる可能性がある。ソースコードは https://github.com/SJTUBME-QianLab/CRUA-Net で公開予定である。
掲載誌の IF 相当：12.5（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）書誌：Fu W, Zhu H, Chen T, Qian X. Joint segmentation of pancreatic tumors and peripancreatic vessels via a clinical risk-aware uncertainty alignment framework. Med Image Anal. 2027 Feb;116:104378. doi:10.1016/j.media.2026.104378. PMID: 42966317.確認の範囲：抄録のみ確認
前立腺がんの治療・治験とAI
- Fully automated AI-based quantification of tumour volume on PSMA PET-CT images is associated with overall survival in prostate cancer.抄録（全訳）
はじめに：人工知能（AI）を用いたモデルで、陽電子放出断層撮影（PET）検査の腫瘍体積を定量できる。対象は、前立腺特異的膜抗原（PSMA）を用いた PET 検査である。しかし、こうして測った腫瘍体積に予後の情報が含まれるかは分かっていない。本研究の目的は、AI で測った腫瘍体積が前立腺がん患者の全生存期間と関連するかを調べることである。
方法：当センターで [18F]PSMA-1007 PET-CT を受けた患者を後ろ向きに組み入れ、5 年間追跡した。検査の理由は、前立腺がんの初回病期診断または生化学的再発（BCR）である。腫瘍体積は、著者らの研究グループが以前に開発した PSMA PET-CT 解析用の完全自動 AI モデルで自動定量した。手作業による修正は加えていない。前立腺・リンパ節・骨の腫瘍体積を算出し、総病変体積（TLV）としてまとめた。前立腺・リンパ節・骨の腫瘍量を求め、部位ごとの TLV として「腫瘍検出なし・低・高」に分けた。部位ごとの値を全身の TLV に合算し、三分位（低・中・高）に分けた。死亡率は Cox 回帰で比較し、年齢で調整した。
結果：最終解析の対象は 267 例で、うち 48 例（18%）が追跡期間中に死亡した。全身 TLV は、全体のコホート（P = 0.001）と初回病期診断コホート（P = 0.014）で死亡率と有意に関連した。BCR コホートでは統計的な有意差に達しなかった（P = 0.061）。
結論：PSMA PET-CT から完全自動の AI で求めた TLV は、全生存期間と関連していた。この結果は、AI による腫瘍定量が前立腺がんの予後バイオマーカーになりうることを示唆する。
掲載誌の IF 相当：1.2（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：Wittgren J, Ingvar J, Enqvist O, Larsson M, Minarik D, Edenbrandt L, et al. Fully automated AI‐based quantification of tumour volume on PSMA PET‐CT images is associated with overall survival in prostate cancer. Clin Physio Funct Imaging. 2026 Nov 2;46(6):e70104. doi:10.1111/cpf.70104.確認の範囲：抄録のみ確認
脳腫瘍の治療・治験とAI
この号では、新しい該当論文はありませんでした。
卵巣がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
子宮体がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
胃がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
肝臓がんの治療・治験とAI
- Predicting microvascular invasion in hepatocellular carcinoma using contrast-enhanced CT-based deep learning models: a comparative study of transformer, CNN, and MIL抄録（全訳）
目的：微小血管浸潤（MVI）は、肝細胞がん（HCC）の術後再発を予測する因子である。しかし、手術前に MVI を予測するのはまだ難しい。本研究では、造影 CT から MVI を予測する 3 つの手法を比較した。比較したのは、Transformer、畳み込みニューラルネットワーク（CNN）、マルチインスタンス学習（MIL）のフレームワークである。
方法：病理学的に肝細胞がん（HCC）と確定した患者 236 例を、後ろ向きに登録した。動脈相の CT 画像で、腫瘍の関心領域を半自動で描出した。動脈相 CT 画像で腫瘍の断面が最大となるスライスを中心に複数のスライスを抽出し、2.5D データセットを作った。Transformer、MIL、CNN、臨床ベースラインの 4 モデルを学習させた。モデルは受信者動作特性曲線下面積（AUC）で比較し、DeLong 検定を用いた。AUC 推定値の安定性は、ブートストラップ再標本化で評価した。
結果：AUC が最も高かったのは Transformer で、0.827（95% 信頼区間 0.7585〜0.8962）であった。正確度は 0.775、感度は 0.577、特異度は 0.889 であった。次いで MIL（0.766、95% 信頼区間 0.6875〜0.8441）、CNN（0.723）、臨床モデル（0.715）の順であった。ブートストラップ検証で、すべてのモデルの AUC 推定値が安定していることを確かめた。順位は Transformer が 1 位であった（平均 0.827、標準偏差（SD）0.034）。Transformer は CNN（調整後 P = 0.001）と臨床モデル（調整後 P = 0.039）を有意に上回った。MIL との差は、多重比較の補正後には有意性の境界域にとどまった（調整後 P = 0.097）。CNN、MIL、臨床モデルの間に有意差はみられなかった。
結論：評価した 4 モデルのうち、MVI を最も正確に予測したのは造影 CT に基づく Transformer であった。内部検証としてブートストラップを行った後も、この優位性は保たれた。ただし、この結果が示すのは識別性能の順位だけである。モデルの臨床的有用性は確立していない。臨床応用の前に、より大きなコホートでの前向き検証が必要である。
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：Lin M, Zheng X, Zhao C, Lin T, Zhao Q. Predicting microvascular invasion in hepatocellular carcinoma using contrast-enhanced CT-based deep learning models: a comparative study of transformer, CNN, and MIL. Front Oncol. 2026 Nov 2;16:1988882. doi:10.3389/fonc.2026.1988882.確認の範囲：抄録のみ確認 - Rapid and label-free analysis of biological characteristics of hepatocelluar carcinoma tissues based on histological images.抄録（全訳）
はじめに：肝細胞がん（HCC）は分子レベルの不均一性が大きい。このため、治療の選択や臨床管理が難しくなっている。
目的：人工知能（AI）による病理組織解析のフレームワークを開発した。通常のヘマトキシリン・エオジン（H&E）染色標本から、HCC の生物学的特性を予測するものである。
方法：The Cancer Genome Atlas の肝細胞がんコホート（TCGA-LIHC）を用いた。遺伝子セット解析、発現変動解析、コンセンサスクラスタリングで、血管新生・幹細胞性・オートファジーに関連するトランスクリプトームの表現型を特定した。これらの表現型について、全生存期間と薬剤感受性を評価した。全スライド画像は 224 × 224 ピクセルの腫瘍タイルに分割し、表現型の予測に用いた。特徴抽出には UNI、ResNet50、CTrans、GigaPath、Virchow2 を使った。特徴抽出の手法に、従来型のマルチインスタンス学習と、クラスタリング制約付きアテンションベースのマルチインスタンス学習を組み合わせた。モデルは、武漢大学人民医院と同済医院で外部検証した。解釈可能性は、アテンションヒートマップで評価した。予測結果は、分子マーカーおよび腫瘍の分化度と照らし合わせて評価した。
結果：教師なしクラスタリングで、各表現型に 2 つのサブグループが見つかった。サブグループ間では、生存に有意差があった（いずれも P < 0.004）。ソラフェニブまたは経カテーテル動脈化学塞栓療法への感受性にも有意差があった（いずれも P < 0.0001）。腫瘍検出モデルの受信者動作特性曲線下面積（AUC）は 97.53% であった。表現型予測モデルの内部検証での最良 AUC は 85.51%〜91.05%、正確度は 79.63%〜88.89% であった。外部検証での最良 AUC は、血管新生 70.94%、幹細胞性 88.64%、オートファジー 91.17% であった。血管新生・幹細胞性・オートファジーの外部検証での正確度は、それぞれ 62.00%、78.00%、84.00% であった。アテンションヒートマップでは、サブグループごとに異なる形態学的特徴がみられた。新生血管、核／細胞質比の上昇、細胞質の空胞化などである。モデルの予測は、CD31/CD105（κ = 0.398〜0.432）、CD133/LGR5（κ = 0.428〜0.629）、Beclin-1/p62-LC3B（κ = 0.592〜0.762）と一致した（いずれも P < 0.05）。予測結果は、腫瘍の分化度とも有意に一致していた（κ = −0.167〜−0.175、p < 0.05）。
結論：この概念実証段階の AI 枠組みは、通常の組織像から、トランスクリプトームで定義した HCC の表現型を予測した。予測は予後および治療反応と関連した。HCC の不均一性を低コストで評価でき、分子プロファイリングを補完する手段になりうる。
掲載誌の IF 相当：9.9（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：Zhang H, Li J, Sheng J, Li Z, Jiang W, Xu K, et al. Rapid and label-free analysis of biological characteristics of hepatocelluar carcinoma tissues based on histological images. J Adv Res. 2026 Nov [Epub ahead of print]. doi:10.1016/j.jare.2026.10.067. PMID: 42967526.確認の範囲：抄録のみ確認
腎臓がんの治療・治験とAI
この号では、新しい該当論文はありませんでした。
膀胱がんの治療・治験とAI
- Development of a machine learning-based immune evasion signature for prognostic stratification and its association with immunotherapy response in bladder cancer抄録（全訳）
膀胱がん（BC）は臨床上の大きな課題であり、進行期の予後は不良である。免疫療法で治療成績は改善したが、奏効する患者の割合はまだ限られている。その背景には、複雑な免疫回避の仕組みがある。予後の層別化と、免疫療法の恩恵を受けうる患者の特定に役立つ頑健なバイオマーカーが、急ぎ求められている。
TCGA（The Cancer Genome Atlas）のトランスクリプトームデータを用い、免疫回避関連シグネチャー（IRS）を作成した。その上で、Gene Expression Omnibus（GEO）の独立した 4 コホートで検証した。IRS は、発現差のあった免疫関連遺伝子から構築した。手法は、10 種類のアルゴリズムに基づく統合的な機械学習フレームワークである。10 種類のアルゴリズムによる 60 通りの候補モデル構成を用いた。このシグネチャーについて、予後予測の価値、腫瘍免疫微小環境（TME）との関連、免疫療法への反応の予測力を評価した。さらに、鍵となる遺伝子 DOT1L の機能を in vitro で検証した。
IRS は DOT1L、DVAC2、SRRT、PPP2R3C、IRF9 の 5 遺伝子からなる。IRS により、膀胱がん患者を高リスク群と低リスク群に層別化できた。IRS スコアが高いことは、全生存期間がより不良であることの独立した予後因子であった。IRS スコアの高さは、免疫抑制的な TME とも関連した。この TME の特徴は、CD8 陽性 T 細胞の浸潤が少なく、腫瘍免疫機能不全・排除（TIDE）スコアが高いことである。一方、検証コホートでは、IRS スコアが低いほど抗 PD-1/L1 療法への反応が良好であった。また、DOT1L をノックダウンすると、BC 細胞の増殖と遊走が抑えられた。
機械学習で導いた IRS を作成し、後ろ向きに検証した。IRS は、複数の独立した膀胱がんコホートのいずれでも、予後および免疫療法の効果と一貫した関連を示した。IRS は有望な研究用バイオマーカーである。ただし、個別化治療の判断に使うには、前向きの多施設検証が必要である。
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：Huang B, Quan J, Xue W, Ma X. Development of a machine learning-based immune evasion signature for prognostic stratification and its association with immunotherapy response in bladder cancer. Discov Onc. 2026 Nov 2 [Epub ahead of print]. doi:10.1007/s12672-026-06185-5.確認の範囲：抄録のみ確認
希少癌
腺様嚢胞癌の治療・治験とAI
この号では、新しい該当論文はありませんでした。