AIとがん研究 ── 大腸がん ── 2026-11-09
大腸がんの検診・治療・治験とAI
- Multi-omics and machine learning reveal a senescence-associated lipid-metabolic macrophage phenotype driving immunosuppression and poor prognosis in colorectal cancer抄録（全訳）
腫瘍関連マクロファージ（TAM）は、大腸がん（CRC）の腫瘍微小環境を調節する重要な細胞である。しかし、その機能の不均一性はよく分かっていない。特に、細胞老化と脂質代謝の相互作用は不明な点が多い。本研究では、マルチオミクスデータと単一細胞トランスクリプトームデータを統合した。それにより新しいマクロファージ亜集団の特徴を調べ、老化関連脂質代謝（SALM）マクロファージと名付けた。機械学習アルゴリズム8種を使い、SALMシグネチャーに基づく予後予測モデルを作った。このモデルは、TCGAとGSE39582を合わせたコホートで、入れ子型交差検証により内部評価した。実験的検証には、空間マルチプレックス免疫蛍光法とqPCRを用いた。SALMマクロファージでは、IL-10/STAT3シグナルの亢進と終末分化がみられた。SALMマクロファージは、老化と脂質代謝の経路に富むコア遺伝子モジュールも持つ。SALMマクロファージは、免疫抑制性リガンドのIL-10とMIFを介して、T細胞と強く相互作用する。空間解析で、腫瘍先進部にp16+ CD68+ IL-10+ 細胞が多いことを確認した。SALMに基づく予後予測モデルは、高い精度を示した（AUC = 0.972）。これに対応するノモグラムも、個別化した予後予測に使える可能性を示した。SALMマクロファージは、老化と脂質代謝の軸を介して大腸がんの免疫抑制を促す。新規の予後バイオマーカーであり、治療標的の候補でもある。
掲載誌の IF 相当：5.9（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：Zhao B, Liao Y, Ye S, Jiang N, Lu W, Chen Y, et al. Multi-omics and machine learning reveal a senescence-associated lipid-metabolic macrophage phenotype driving immunosuppression and poor prognosis in colorectal cancer. Sci Rep. 2026 Nov 7 [Epub ahead of print]. doi:10.1038/s41598-026-80104-0.確認の範囲：抄録のみ確認 - The economic and clinical impact of an AI-assisted tool for colonoscopy to support diagnosis of colorectal cancer in symptomatic patients in England抄録（全訳）
英国では、大腸がん（CRC）はいまもがん死亡の主な原因の一つである。治療成績を良くするには、腺腫性ポリープを早く見つけて切除することが欠かせない。GI Genius（GIG）のようなAI支援大腸内視鏡ツールは、腺腫検出率（ADR）を高め、病変の見逃しを減らせる可能性がある。本研究では、患者単位のシミュレーションによる費用対効果モデルを作った。対象は、イングランドでCRCが疑われる有症状の集団である。GIG支援大腸内視鏡と通常の大腸内視鏡のみを比べ、経済的・臨床的影響を推計した。分析は国民保健サービスと対人社会サービスの立場で行い、時間軸は生涯とした。主なモデル入力は、NAIAD試験に基づく。この試験は、GIG支援大腸内視鏡が通常の大腸内視鏡と比べてADRに与える影響を評価したものである。基本分析と確率的感度分析（PSA）を行い、増分費用効果比と費用対効果がある確率を推計した。基本分析の結果から、GIGは費用対効果の高い介入であることが示唆される。1人当たり69ポンドの費用削減と、質調整生存年（QALY）0.046の増加を伴った。主な理由は、ADRの上昇と、それに続くCRC発生の減少である。シナリオ分析では、内視鏡の感度、初回に診断されなかった例の臨床転帰、内視鏡医の経験による転帰の差、GIGの総費用の不確実性を検討した。大腸内視鏡の感度、初回に診断されなかった人の臨床転帰、経験のある内視鏡医とない内視鏡医での転帰の差、GIGの総費用である。いずれの結果も基本分析と一致し、推計した費用やQALYは大きく変わらなかった。PSAでは、QALY獲得当たり20,000ポンドの閾値で、シミュレーションの53%でGIGに費用対効果があった。この不確実性は、モデルの群間でQALYの差がわずかなことによる。そのため、PSAの反復ごとのQALYの小さな変動が、増分費用効果比（ICER）の大きなばらつきにつながる。結果から、GIGはADRを高めて健康アウトカムを改善でき、費用も削減する介入であることが示された。シナリオ分析は、基本分析の結果をおおむね支持した。検討した別の仮定のいずれでも、結論はおおむね一貫していた。PSAの結果は、意思決定にかなりの不確実性があることを示した。このため、PSAの反復間でQALYが少し変動しただけで、ICERは大きく変わる。PSAの結果では、意思決定の不確実性がかなり大きかった。その原因は、QALYの増分差が小さいことである。
掲載誌の IF 相当：4.9（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：Curtis-Gretton L, Varghese AA, Watts K, Green M, Holmes H. The economic and clinical impact of an AI-assisted tool for colonoscopy to support diagnosis of colorectal cancer in symptomatic patients in England. BMC Digit Health. 2026 Nov 6;4(1):79. doi:10.1186/s44247-026-00314-4.確認の範囲：抄録のみ確認 - Development and biological characterization of a random survival forest prognostic model for colon adenocarcinoma using eight machine learning algorithms.抄録（全訳）
背景：結腸腺がん（COAD）の予後モデルの多くは、あらかじめ決めた生物学的遺伝子セットか、単一の解析の枠組みに頼っている。アルゴリズムの選択、生物学的な解釈、従来の病期分類との比較、既報の COAD シグネチャーとの性能比較を、同時に扱った研究は少ない。本研究の目的は、COAD の予後を予測するランダムサバイバルフォレスト（RSF）モデルを作り、その生物学的な特徴を調べることである。
方法：The Cancer Genome Atlas（TCGA）-COAD の患者 455 例について、RNA シーケンス（RNA-seq）データと臨床データを解析した。患者は訓練コホート（n=324）と内部テストコホート（n=131）に分けた。発現差によるスクリーニング、ログランク検定、単変量 Cox 解析を順に行い、12 遺伝子のシグネチャーを導いた。8 種類の生存解析アルゴリズムを比べ、最も性能のよかった RSF モデルで最終的なリスクスコアを算出した。追加の解析として、まず Gene Ontology（GO）と Kyoto Encyclopedia of Genes and Genomes（KEGG）のエンリッチメント解析を行った。変数重要度と SHapley Additive exPlanations（SHAP）でモデルを解釈した。Kaplan-Meier 解析とサブグループ交互作用解析に加え、Cox 回帰も行った。RSF、腫瘍・リンパ節・転移（TNM）分類、RSF＋TNM の 3 つも比較した。比較の指標は、時間依存性の受信者動作特性（ROC）、一致指数（C-index）、純再分類改善度（NRI）、統合識別改善度（IDI）である。さらに、免疫シグネチャーのプロファイリングを、Immuno-Oncology Biological Research（IOBR）に基づいて行った。既報の COAD シグネチャーとの性能比較も行った。
結果：モデルを構成する 12 遺伝子は、すべてエンリッチメント解析に対応づけることができた。有意な項目は、GO の生物学的プロセスが 115、細胞構成要素が 33、分子機能が 25、KEGG パスウェイが 4 であった。これらはテロメア制御、染色体構成、転写に関連するプログラムを中心としていた。RSF の内部での識別能はほぼ完全であった。訓練セットでの 1 年・3 年・5 年の ROC 曲線下面積（AUC）は、0.999、0.999、0.998 であった。一方、テストセットでの外部性能はより控えめで、AUC は 0.631、0.608、0.552 であった。変数重要度（VIMP）と SHAP のいずれでも、PPFIA4、GTF2H4、H4C5、ARL6IP4、LRP2、TERT が一貫して上位に挙がった。RSF スコアと有意な交互作用を示したのは、訓練セットの病理学的 M 因子とテストセットのリンパ管侵襲だけであった。テストコホートでは、TNM と RSF＋TNM が RSF 単独を上回った。RSF に TNM を加えると、1 年と 3 年の NRI が改善した。IOBR 解析では、有意な相関が訓練で 72、テストで 57 見つかった。その大半は、エクソソーム、糖鎖、代謝、T 細胞に関連するシグネチャーであった。
結論：12 遺伝子 RSF スコアは、COAD における生物学的に意味のあるトランスクリプトーム由来のシグナルと免疫関連のシグナルをとらえている。ただし、臨床応用で最も妥当な役割は、TNM の代わりではなく TNM を補うことである。外部の RNA-seq データによる厳密な検証は、なお必要である。
掲載誌の IF 相当：1.4（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：Zhang J, Tan J, Lu M, Luo D, Yang M, Gao F, et al. Development and biological characterization of a random survival forest prognostic model for colon adenocarcinoma using eight machine learning algorithms. Transl Cancer Res. 2026 Oct;15(10):765-5. doi:10.21037/tcr-2026-0877.確認の範囲：抄録のみ確認