AIとがん研究 ── 乳がん ── 2026-11-09
乳がんの治療・治験とAI
- A multicenter clinicopathologic and MRI-based multimodal fusion model for predicting axillary lymph node metastasis in breast cancer抄録（全訳）
背景：腋窩リンパ節（ALN）転移を術前に予測するのは、まだ難しい。著者らは、ダイナミック造影 MRI（DCE-MRI）をもとにした多モーダル融合モデルを開発し、外部検証した。このモデルは、臨床・ラジオミクス・ハビタット・深層学習の各特徴量を統合している。
方法：2 施設の患者計 404 例を対象とした。施設 A（n = 284）は、訓練セット（n = 198）と検証セット（n = 86）に分けた。施設 B（n = 120）は、独立した外部テストコホートとした。4 つのサブモデルのうち、臨床変数にはランダムフォレストを用いた。腫瘍全体とハビタットのラジオミクスには ExtraTrees を、残る 1 つには ResNet50 を用いた。これら 4 つのサブモデルを、重み付き後期融合で組み合わせた。漸進的融合は、モダリティを一つずつ導入していく逐次アブレーションである。各特徴量の流れが、他と重複しない情報に寄与しているかを検証した。全 15 通りの組み合わせも評価した。特徴量ベースのサブモデルには SHAP を適用した。畳み込みニューラルネットワーク（CNN）には Grad-CAM を適用した。
結果：外部テストで、融合モデルの曲線下面積（AUC）は 0.847（95% 信頼区間 0.771〜0.921）だった。臨床モデル（0.754）より有意に高かった（DeLong 検定 P = 0.017）。ラジオミクス（0.797）、深層学習（0.784）、ハビタット（0.817）の各サブモデルとの差は数値上にとどまり、有意ではなかった（P = 0.074、0.066、0.248）。差は数値上のもので、統計的に有意ではなかった（それぞれ P = 0.074、0.066、0.248）。漸進的融合では、AUC が段階的に上がった（0.754、0.807、0.812、0.847）。全 15 通りの組み合わせを調べた解析でも、各モダリティが重複しない情報に寄与することが示された。SHAP では、T 分類が最も大きな臨床予測因子だった。影響の大きいハビタット特徴量は、3 つの異なる部分領域に由来していた。Grad-CAM では、モデルの注目が腫瘍に集中していた。 ハビタット・ラジオミクスを組み込んだ本多モーダル融合モデルは、術前の ALN 予測で良好な識別能を示した。この識別能は、外部検証でも得られたものである。アブレーションでも、各特徴量の流れが他と重複しない情報に寄与することが確認された。
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：Wang W, Li Y, Zou X, Ji G, Peng J. A multicenter clinicopathologic and MRI-based multimodal fusion model for predicting axillary lymph node metastasis in breast cancer. Cancer Imaging. 2026 Nov 6 [Epub ahead of print]. doi:10.1186/s40644-026-01152-3.確認の範囲：抄録のみ確認 - Fraction genome altered outperforms tumor mutational burden for machine learning-based mortality prediction across TP53, PIK3CA, GATA3, and MAP3K1 subtypes in invasive ductal carcinoma.抄録（全訳）
背景：浸潤性乳管がん（IDC）は臨床転帰のばらつきが大きく、標準的な分子サブタイプでは捉えきれないことが多い。腫瘍遺伝子変異量（TMB）は、IDC では予後予測にあまり役立たない。変異率が低く、ゲノムの構造変化を反映しないためである。ゲノム変化割合（FGA）は、コピー数の変化を反映する。そのため、ゲノム不安定性や病勢の強さをよりよく表す可能性がある。
方法：AACR GENIE コホートの IDC 患者 3396 例を解析した。主要な 4 遺伝子（TP53、PIK3CA、GATA3、MAP3K1）の変異に注目した。死亡を予測する機械学習モデルとして、ロジスティック回帰とサポートベクターマシンを用いた。主な予測因子は FGA または TMB とし、臨床変数で調整して訓練した。
結果：死亡予測では、どの遺伝子サブタイプでも FGA が一貫して TMB を上回った。TP53 変異例では、FGA を使うと TMB より受信者動作特性曲線下面積（AUROC）が改善した（0.70 対 0.69）。正解率も上がった（67% 対 64%）。MAP3K1 では、FGA で AUROC が有意に上がった（0.75 対 0.49）。MAP3K1 では、識別能が不良な状態から強力な状態へ移ったことを示す。FGA では陰性的中率が高く、GATA3 で 85%、MAP3K1 で 83.3% に達した。生存者を見分ける信頼性が高いことを示す。
結論：IDC では、FGA は TMB より頑健で解釈しやすい死亡の予測因子である。FGA は、多様なゲノムサブタイプのいずれでも一貫した性能を示した。乳がんのリスク層別化や個別化した患者管理に、臨床で活用できるバイオマーカーとなる可能性がある。
掲載誌の IF 相当：1.2（OpenAlex の直近 2 年の平均被引用数・2026-11-07 時点の値、2026-11-08 に取得。正式な IF（Clarivate）ではない）書誌：Kumari B, Lahariya R, Anand G. Fraction genome altered outperforms tumor mutational burden for machine learning-based mortality prediction across TP53, PIK3CA, GATA3, and MAP3K1 subtypes in invasive ductal carcinoma. Wien Med Wochenschr. 2026 Nov 6 [Epub ahead of print]. doi:10.1007/s10354-026-01202-2.確認の範囲：抄録のみ確認