AIとがん研究 ── 2026-11-08
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（2） · 大腸がん（0） · 膵がん（0） · 前立腺がん（2） · 脳腫瘍（2） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（0） · 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
- Artificial intelligence-assisted upper gastrointestinal endoscopy for neoplasm detection: Systematic review and meta-analysis of randomized controlled trials抄録（全訳）掲載誌の IF 相当：4.7（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Choi Sj, Chae G. Artificial intelligence-assisted upper gastrointestinal endoscopy for neoplasm detection: Systematic review and meta-analysis of randomized controlled trials. World J Gastroenterol. 2026 Nov 4 [Epub ahead of print]. doi:10.3748/wjg.127326.確認の範囲：抄録のみ確認
- Simulation-based Bayesian deep learning enables uncertainty-aware tumor fraction estimation in cell-free DNA.抄録（全訳）掲載誌の IF 相当：7.7（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Volkov H, Raitses-Gurevich M, Grad M, Shlayem R, Danilevsky A, Rubinek T, et al. Simulation-based Bayesian deep learning enables uncertainty-aware tumor fraction estimation in cell-free DNA. BioData Mining. 2026 Aug 6;19(1):84. doi:10.1186/s13040-026-00595-5.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
- Explainable hybrid vision transformer-convolutional neural network with cross-attention fusion for multi-institutional breast cancer receptor status prediction from H&E histopathology images.抄録（全訳）掲載誌の IF 相当：2.8（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Albalawi ES, Qayyum J, Qayyum J. Explainable hybrid vision transformer-convolutional neural network with cross-attention fusion for multi-institutional breast cancer receptor status prediction from H&E histopathology images. Science Progress. 2026 Nov 5;109(4):00368504261504501. doi:10.1177/00368504261504501.確認の範囲：抄録のみ確認
- BreastCAR: A Machine Learning Framework for Breast Cancer Drug Activity Prediction.抄録（全訳）掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Arulsamy S, Ramesh D, Kumar V, Kumar S, Arora P. BreastCAR: A Machine Learning Framework for Breast Cancer Drug Activity Prediction. Molecular Informatics. 2026 Nov 5;45(11):e70062. doi:10.1002/minf.70062.確認の範囲：抄録のみ確認
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
大腸がんの検診・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。
膵がんの治療・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。
前立腺がんの治療・治験とAI
- Clinical Context-Dependent Value of bpMRI-Derived Imaging Representations for Prostate Cancer Risk Stratification.抄録（全訳）
目的は、バイパラメトリック MRI（bpMRI）由来の画像表現が前立腺がん（PCa）のリスク層別化にもたらす価値を、臨床の文脈別に評価することである。特に、前立腺特異抗原（PSA）がグレーゾーンにある患者で、画像特徴が補完的な情報をもたらすかに注目した。この後ろ向き研究は 2 キャンパスで行った。対象は、病理学的に PCa が確定し、治療前に bpMRI を受けた 536 例である。NCCN 基準に従い、患者を低・中リスクと高リスクに分けた。キャンパス 1 の患者は、無作為に訓練コホートと内部テストコホートに分けた。キャンパス 2 の患者は独立テストコホートとした。T2 強調画像、拡散強調画像、見かけの拡散係数マップから特徴を抽出した。抽出した特徴は、ラジオミクス、Vision Transformer、CLIP（contrastive language-image pretraining）の特徴である。さらに、臨床モデルと、臨床情報と画像を組み合わせた統合モデルを構築した。性能は、ROC 解析、較正、決定曲線解析、SHAP による解釈で評価した。PSA グレーゾーンでの評価は事前に規定した。独立テストコホートでは、統合モデルの全体的な識別能が最も高く、AUC（ROC 曲線下面積）は 0.921 だった。臨床ベースラインモデル（AUC 0.907）が僅差でこれに続いた。画像のみのモデルでは、ラジオミクスモデルの全体 AUC が最も高かった（0.844）。SHAP では PSA が主要な予測因子だった。これは、全体の性能が臨床情報に支えられていることを示す。PSA グレーゾーンでは、臨床モデルと統合モデルの性能が低下した（AUC はそれぞれ 0.381 と 0.600）。一方、CLIP は AUC が最も高く（0.785）、正味の利益も良好であった。bpMRI 由来の画像表現が PCa のリスク層別化にもたらす価値は、文脈によって変わる。PSA に基づく情報が役に立ちにくい場面では、CLIP 由来の表現が補完的な識別能をもたらす可能性がある。この結果は、画像 AI モデルを文脈に応じて評価することを支持する。
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：Zou F, Xiong H, Chen J, Qiao X, Ai G, Wu Y, et al. Clinical Context-Dependent Value of bpMRI-Derived Imaging Representations for Prostate Cancer Risk Stratification. J Digit Imaging Inform med. 2026 Nov 5 [Epub ahead of print]. doi:10.1007/s10278-026-02490-1.確認の範囲：抄録のみ確認 - Artificial Intelligence–Assisted Magnetic Resonance Imaging for Predicting Biochemical Recurrence After External Beam Radiation Therapy in Prostate Cancer: A Systematic Review and Meta-Analysis抄録（全訳）
このシステマティックレビューとメタアナリシスでは、MRI に基づく人工知能（AI）モデルの性能を評価する。予測の対象は生化学的再発（BCR）である。対象患者は、根治的な外照射放射線治療（EBRT）を受けた前立腺がん患者で、ホルモン療法の併用の有無は問わない。レビューで扱うのは、MRI 由来の情報を使う機械学習・深層学習・ラジオミクスの予測モデルである。MRI 情報を単独で使うモデルも、臨床・病理・臨床検査の変数と組み合わせるモデルも含む。主な目的は、感度、特異度、受信者動作特性曲線下面積（AUC）を用いてモデルの性能を統合することである。あわせて、研究間の異質性と統合推定値の頑健性も検討する。報告は PRISMA 2020 と PRISMA-DTA のガイダンスに従う。データ抽出は、予測モデル研究向けの CHARMS チェックリストに基づいて行う。
掲載誌の IF：不明（照合できず）書誌：[No authors listed]. Artificial Intelligence–Assisted Magnetic Resonance Imaging for Predicting Biochemical Recurrence After External Beam Radiation Therapy in Prostate Cancer: A Systematic Review and Meta-Analysis. Open Science Framework. [Epub ahead of print]. doi:10.17605/osf.io/kmh3s.確認の範囲：抄録のみ確認
脳腫瘍の治療・治験とAI
- From Classification to Clinical Trust: 3D Deep Learning and Layer-Wise Explainability for Brain Tumor MRI抄録（全訳）
手術前に MRI で神経膠腫（グリオーマ）と髄膜腫を見分けることは、治療計画を立てるうえで重要である。ただし、その判定は専門医の読影に頼っている。
著者らは、CBAM 注意機構を組み込んだ 3D ResNet-34 を作った。学習には、BraTS 2023 の患者 2251 例の 4 種類の MRI 画像を用いた。このうち 1801 例を 4 分割交差検証に使い、450 例をテスト用に取り分けた。テストセットでの正解率は 96%、曲線下面積（AUC）は 0.993、期待較正誤差は 0.0165 であった。
層ごとの説明には、4 つの残差ステージそれぞれで Grad-CAM と SmoothGrad を用いた。4 × 4 × 4 のボトルネックでは、通常の Grad-CAM の解像度が粗すぎる。さらに再構成デコーダを加え、通常の Grad-CAM では粗すぎる 4 × 4 × 4 のボトルネックで、全解像度の寄与（アトリビューション）をデコーダ経由で得た。
4 つの定量指標の結果は、互いに補い合うものであった。デコーダ支援の寄与は、ポインティングゲーム正解率が最も高く（80.2%）、削除 AUC が最も低かった。一方、挿入 AUC は Layer 1 が、忠実度差（faithfulness delta）の平均は Layer 2 が最も高かった。Layer 1、2、4 の間で、忠実度に有意な差はなかった。
グリオーマは、ほとんどの層で位置を特定できた。一方、髄膜腫の位置は主にデコーダ支援の経路で特定された。予備的な臨床レビューと正規化解析の結果も報告する。このデコーダを用いれば、アノテーションなしで、3 次元画像を扱うモデルの深い層から全解像度の寄与を得られる。
掲載誌の IF 相当：6.6（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Pagonis N, Plomaritis K, Kogias E, Foroglou N, Chouvarda I. From Classification to Clinical Trust: 3D Deep Learning and Layer-Wise Explainability for Brain Tumor MRI. Sensors. 2026 Nov 5;26(21):6993. doi:10.3390/s26216993.確認の範囲：抄録のみ確認 - FOCUS: a feature optimization and cascaded unified screening strategy for computer-aided pathology-based glioma molecular subtype classification.抄録（全訳）
背景：成人型びまん性神経膠腫（グリオーマ）は、2021 年の世界保健機関（WHO）分類で定義されている。その診断と治療には、イソクエン酸デヒドロゲナーゼ（IDH）の変異の有無を正確に分類することがきわめて重要である。しかし、従来の組織学的診断と分子診断は、時間と手間と費用がかかる。また、利用しにくい場合も多い。近年の人工知能の進歩により、病理組織画像から直接、グリオーマを自動で偏りなく分類できるようになった。ただし、複雑な病理学的特徴と分子的特徴を十分にとらえることは、まだ難しい。
方法：本研究では、グリオーマの病理スライドから IDH 変異の有無を分類する統合フレームワークとして、FOCUS（Feature Optimization and Cascaded Unified Screening）を提案する。まず病理組織画像を小領域（パッチ）に分割し、Vision Transformer（ViT）で解釈可能な特徴量を抽出した。これらの特徴量は、核の形態や、腫瘍の進行に関わるタンパク質の発現と関連している。次に、パッチベースのグラフ畳み込みネットワーク（PatchGCN）で空間的な文脈を集約し、局所の形態と腫瘍全体の不均一性の両方をとらえた。これで、局所の形態と腫瘍全体の不均一性の両方をとらえた。さらにカスケード型の特徴選択でバイオマーカーをより的確に特定し、最後に機械学習の分類器で分類した。
結論：FOCUS は、IDH 変異型（星細胞腫と乏突起膠腫）と IDH 野生型（膠芽腫）の腫瘍を計算で見分ける手法にもなりうる。
掲載誌の IF 相当：4.2（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Su Y, Li F, Yang H, Bai J, Lu J. FOCUS: a feature optimization and cascaded unified screening strategy for computer-aided pathology-based glioma molecular subtype classification. Diagn Pathol. 2026 Aug 8;21(1):84. doi:10.1186/s13000-026-01836-1.確認の範囲：抄録のみ確認
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
この号では、新しい該当論文はありませんでした。
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
- Integrative Multi-Omics Analysis with Interpretable Machine Learning Prioritizes Candidate Biomarkers for Bladder Cancer.抄録（全訳）
序論：膀胱がんは、尿路で最も多い悪性腫瘍である。本研究は、多層オミクスの統合解析で、膀胱がんの候補バイオマーカーを見つけることを目的とした。
方法：単一細胞 RNA シークエンシング（scRNA-seq）、バルク RNA シークエンシング（RNA-seq）、プロテオームの各データセットを解析した。細胞集団の特徴を調べ、発現変動遺伝子（DEG）と発現変動タンパク質（DEP）を特定した。候補遺伝子には、4 種類の機械学習アルゴリズムで優先順位を付けた。モデルの解釈には SHapley Additive exPlanations（SHAP）を用いた。関連する経路は、遺伝子セット濃縮解析（GSEA）で調べた。治療薬の候補となる化合物と、化合物と遺伝子の相互作用を調べるため、Enrichr/DSigDB による濃縮解析と分子ドッキングを行った。5 遺伝子のサポートベクターマシン（SVM）モデルを、独立したバルクトランスクリプトームのコホート GSE13507 で外部検証した。さらに、候補遺伝子の発現量を膀胱がん細胞株で評価した。
結果：主要な細胞集団が 15 種類見つかった。探索的な解析では、内皮性の血管周囲間質細胞と炎症性がん関連線維芽細胞が、注目すべき細胞集団として挙がった。予測した細胞間コミュニケーションのパターンからは、これらの細胞が膀胱がんの微小環境で役割を担う可能性が示唆された。また、3 つのデータセットすべてで一致して、7 個の遺伝子・タンパク質の発現が上がり、122 個の発現が下がっていた。これらの候補を、続いて機械学習で解析した。 膀胱がんの候補遺伝子として、CFD、WNT2B、MAPK13、ABLIM1、PRKAR2B の 5 つを優先した。これらの発現パターンと、関連しうる経路を、膀胱がんの検体と細胞株でさらに評価した。4 種類のアルゴリズムのうち、内部ホールドアウトセットの曲線下面積（AUC）は SVM が最も高く、1.000（95% 信頼区間 1.000〜1.000）と報告された。そのため、SHAP による解釈には SVM を選んだ。独立コホート GSE13507 では、5 遺伝子 SVM モデルの AUC は 0.815（95% 信頼区間 0.752〜0.877）であった。分子ドッキングでは、リファキシミン（Rifaximin）と CFD の間、MAPK13 と NG-25/XMD13-2 の間に、相互作用しうる結合様式が示唆された。 考察:これは、膀胱がんの候補バイオマーカーに優先順位を付ける探索的な枠組みとなる。今後の生物学的・臨床的な検証に向けた仮説づくりにも使える。
結論：この多層オミクス研究で、膀胱がんの候補バイオマーカーと、化合物と遺伝子の探索的な関連を特定した。臨床で使う前に、独立した多施設コホートを追加して検証し、機能研究も行う必要がある。
掲載誌の IF 相当：4.6（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）書誌：Guan H, Liu X, Hong T, Li H, Liu G, Zhang Y, et al. Integrative Multi-Omics Analysis with Interpretable Machine Learning Prioritizes Candidate Biomarkers for Bladder Cancer. CGT. 2026 Oct 27;26. doi:10.2174/0115665232538656261006070001.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。