AIとがん研究 ── 肺がん ── 2026-11-08
肺がんの治療・治験とAI
- LungCURE: Benchmarking Multimodal Real-World Clinical Reasoning for Precision Lung Cancer Diagnosis and Treatment抄録（全訳）
肺がんの臨床意思決定支援には、多段階からなる複雑ながん診療の流れに沿った精密な推論が必要である。既存のマルチモーダル大規模言語モデル（MLLM）は、ガイドラインの制約に沿った病期分類や治療の推論に対応できていない。肺がんの精密がん治療（OPT）について、TNM 病期分類、治療推奨、エンドツーエンドの臨床意思決定支援という三つのタスクを定式化した。TNM 病期分類、治療推奨、エンドツーエンドの臨床意思決定支援の三つである。また、初の標準化されたマルチモーダルベンチマークとして LungCURE を構築した。LungCURE は 10 を超える病院の実臨床 1,000 症例からなり、ラベルは臨床医が付けた。加えて、マルチエージェントの枠組み LCAgent を提案した。さらに提案したマルチエージェントの枠組み LCAgent は、診療経路で推論の誤りが連鎖するのを抑える。これにより、肺がんの臨床意思決定がガイドラインに沿うことを確実にする。実験では、精密な治療要件を与えた場合、複雑な医学的推論の能力が大規模言語モデル（LLM）間で大きく異なった。さらに、LCAgent が単純で有効なプラグインとして、実臨床の医療場面で LLM の推論性能を高めることを確かめた。
掲載誌の IF：不明（照合できず）書誌：Hao F, Yang J, Zhu Y, Yu Z, Wu Q, Wang Y, et al. LungCURE: Benchmarking Multimodal Real-World Clinical Reasoning for Precision Lung Cancer Diagnosis and Treatment. Proceedings of the 34th ACM International Conference on Multimedia. 2026 Nov 9 [Epub ahead of print]. doi:10.1145/3767308.3838653.確認の範囲：抄録のみ確認 - ParetoRx: A Multiobjective Radiogenomic Framework Integrating Pareto Optimization and Q-Learning for Exploratory Compound Prioritization in Non-Small Cell Lung Cancer.抄録（全訳）
画像で定義される高リスクの表現型は、生物学的に悪性度の高い病態をとらえている可能性がある。ただし、それを治療の仮説に結びつけるのはまだ難しい。著者らは、非小細胞肺がん（NSCLC）を対象に、ラジオゲノミクスの画像情報学的枠組み ParetoRx を開発した。ParetoRx は、CT のラジオミクス、パスウェイ単位のトランスクリプトーム解析、多目的パレート最適化、モデルフリーの Q 学習を統合したものである。402 例の治療前 CT データでモデルを開発し、内部検証を行った。これとは別の 110 例を、独立した外部コホートとして確保した。最終的なラジオミクスモデルの外部 C 指数は 0.707（95% 信頼区間 0.627〜0.783）だった。高リスク例は全生存期間が不良であった（ハザード比 3.461、95% 信頼区間 1.674〜7.153）。組織型で調整しても、結果はほとんど変わらなかった（ハザード比 3.444、95% 信頼区間 1.662〜7.137）。遺伝子セット濃縮解析と単一サンプルのパスウェイ解析では、探索的な関連が認められた。関わったのは E2F 標的、MYC 標的 V1、炎症反応、低酸素だが、FDR < 0.05 を満たすパスウェイはなかった。ただし、偽発見率（FDR）< 0.05 を満たしたパスウェイはなかった。LINCS L1000 の摂動プロファイルは、三つの指標で評価した。指標は、トランスクリプトームの逆転、パスウェイ特異性、実現可能性に関する代替指標である。共通の完全ケース解析には 4188 化合物が残った。多目的パレート最適化を、3 分割でのコンセンサス順位付けおよび逐次的な方策評価と組み合わせた。TWS-119 は 3 分割すべてで一貫して上位に入り（1 位、3 位、4 位）、いずれの分割でもパレート最適であった。シミュレーション評価では、3 分割すべてでモデルフリー Q 学習の最終目標達成率が近視眼的方策と静的方策を上回り、近視眼的方策との差は約 6.2〜13.3 パーセントポイントであった。近視眼的方策と比べた改善幅は約 6.2〜13.3 パーセントポイントだった。以上の結果は、ParetoRx が探索的な枠組みとして有用であることを支持する。対象となるのは、生物学的知見に基づく化合物の優先順位付けと、計算による逐次的な意思決定である。ただし、独立した薬剤応答の検証と臨床での検証は引き続き必要である。
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：Kawahara D, Kishi M, Kadooka Y. ParetoRx: A Multiobjective Radiogenomic Framework Integrating Pareto Optimization and Q-Learning for Exploratory Compound Prioritization in Non-Small Cell Lung Cancer. J Digit Imaging Inform med. 2026 Nov 5 [Epub ahead of print]. doi:10.1007/s10278-026-02451-8.確認の範囲：抄録のみ確認