AIとがん研究 ── 大腸がん ── 2026-11-07
大腸がんの検診・治療・治験とAI
- Prognostic value of deep-learning computational pathology in colorectal cancer: a systematic review of haematoxylin and eosin whole-slide image studies抄録（全訳）
背景：日常診療のヘマトキシリン・エオジン染色全スライド画像に深層学習の計算病理を適用すると、大腸がんの予後情報が得られる可能性がある。このシステマティックレビューでは、画像から導いたリスク群と生存の関連を評価した。
方法：PubMed と Web of Science Core Collection を、収録開始から2026年6月21日まで検索した。大腸がんを対象とし、ヘマトキシリン・エオジン染色画像から導いた高リスク対低リスクのハザード比を報告した研究を組み入れた。最も多く調整された推定値を選び、外部検証があるものを優先した。変量効果メタアナリシス、サブグループ解析、1研究ずつ除外する解析を行った。復元したバイアスリスクの一覧には、Quality in Prognosis Studies の各領域の判定を示した。本レビューは PROSPERO に登録した（CRD420261429467）。
結果：27研究全体で、統合ハザード比は2.49（95% 信頼区間 2.12〜2.93）であった。異質性は大きく（I² = 77%）、95% 予測区間は1.25〜4.97であった。統合推定値は、外部検証を行った研究（17研究）で2.36、内部検証のみの研究（10研究）で2.74であり、この差は統計学的に有意ではなかった。1研究ずつ除外した推定値は2.35から2.57の範囲であった。
結論：画像から導いたリスクスコアは、大腸がんの生存と関連していた。ただし異質性、リスクの定義の違い、検証コホートが重複している可能性があり、単一の統合推定値の解釈には限界がある。これらの手法が治療方針の決定に使えるようになるには、独立した前向きの検証と臨床的有用性の評価が必要である。 --- **1件目について補足**：最初の論文の「結果」節で lobular carcinoma の訳語を書き直しました。確定版の該当文は以下です。 Claude は組織型の素の一致率が最も高かったが、カッパでは最も低かった。浸潤性小葉がん23例と微小乳頭状がん7例のすべてを、浸潤性乳がん非特殊型と分類した。 この1文を差し替えてご利用ください。他の3件は修正ありません。
掲載誌の IF：不明（照合できず）書誌：Xu Y, Zhang L, Wang C, Yao Y, Shen C, Gu W. Prognostic value of deep-learning computational pathology in colorectal cancer: a systematic review of haematoxylin and eosin whole-slide image studies. Research Square. 2026 Nov 4 [Epub ahead of print]. doi:10.21203/rs.3.rs-11297991/v1.確認の範囲：抄録のみ確認 - Machine Learning-Based Risk Scoring Using Clinical and Surgical Variables for Severe Complications after Rectal Cancer Surgery.抄録（全訳）
背景：直腸がん手術の後に重篤な合併症が起きると、病状が悪化し、回復が遅れる。がんの治療成績が損なわれるおそれもある。既存のリスクモデルは、精度も一般化可能性も限られる。機械学習なら、複雑な臨床変数と手術変数をまとめて扱える。それにより、患者ごとのリスク予測を改善できる。
目的：直腸がん手術後の重篤な合併症を予測する機械学習モデルを作り、前向きに検証する。
デザイン：後ろ向きにモデルを開発し、前向きに時間的内部検証を行った研究である。 施設: 韓国の三次紹介医療機関 1 施設である。 対象患者: 2011〜2025 年に、根治目的で直腸がんを切除し吻合した患者 3,503 例である。内訳は、後ろ向きが 3,402 例、前向きが 101 例である。 主要評価項目: 術後 30 日以内に起きた重篤な合併症である。重篤とは、Clavien-Dindo 分類でグレード 3 以上のものとした。
結果：重篤な合併症は、後ろ向きコホートの 9.8%、前向きコホートの 13.9% で起きた。機械学習のアルゴリズムは 4 種類を用いた。ロジスティック回帰、ランダムフォレスト、人工ニューラルネットワーク、勾配ブースティングである。いずれも 5 分割交差検証で学習させた。内部検証で最も成績がよかったのはランダムフォレストであった（受信者動作特性曲線下面積［AUC］0.898、感度 0.685）。一方、時間的内部検証コホートでは勾配ブースティングが最もよかった（AUC 0.910、感度 0.707）。予測への影響が特に大きかった因子は、腫瘍穿孔、術中輸血、予防的ストーマ、腸閉塞、脳血管障害であった。 限界: 検証は単一施設で行った。時間的な内部検証であり、外部検証ではない。前向きコホートも小さい。
結論：機械学習モデルは、直腸がん手術後の重篤な合併症を正確に予測した。時間的内部検証でも高い識別能が保たれた。術直後に使えば、患者ごとの術後リスク層別化とモニタリングに役立つ可能性がある。外部検証が必要である。動画抄録を参照。
掲載誌の IF 相当：1.7（OpenAlex の直近 2 年の平均被引用数・2026-11-05 時点の値、2026-11-06 に取得。正式な IF（Clarivate）ではない）書誌：Song SH, Kwon HK, Park JS, Park SY, Kim HJ, Lee J, et al. Machine Learning-Based Risk Scoring Using Clinical and Surgical Variables for Severe Complications after Rectal Cancer Surgery. Diseases of the Colon & Rectum. 2026 Nov 4 [Epub ahead of print]. doi:10.1097/dcr.0000000000004526.確認の範囲：抄録のみ確認