AIとがん研究 ── 2026-11-09
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（4）
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（4） · 大腸がん（3） · 膵がん（2） · 前立腺がん（0） · 脳腫瘍（2） · 卵巣がん（1） · 子宮体がん（1） · 胃がん（1） · 肝臓がん（1） · 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
- Virtual liver biopsy for detecting steatohepatitis in chemotherapy-treated patients: comparison with whole-liver radiomics and external validation.抄録（全訳）
目的：化学療法関連脂肪肝炎（CASH）があると、肝切除後の肝不全と死亡のリスクが高まる。しかし、非侵襲的に診断する方法はまだない。ラジオミクスは肝実質の性状を評価できる可能性がある。本研究では、CASH を予測する仮想肝生検の性能を評価し、全肝のラジオミクス解析と比べた。 【対象と方法】 大腸がん肝転移で肝切除を受けた患者の後ろ向きコホートを 2 つ解析した。一つは公開データセット「Colorectal-Liver-Metastases」で、学習と内部検証に使った。もう一つは Humanitas Research Hospital の単施設コホートで、外部検証に使った。対象は、2 か月以上の術前化学療法を受け、化学療法後に厚さ 5 mm 以下の CT を撮った患者である。 画像バイオマーカー標準化イニシアチブ（IBSI）に準拠したラジオミクス特徴量を抽出した。ラジオミクス特徴量は、肝実質全体と仮想生検の両方から抽出した。仮想生検とは、腫瘍のない肝実質に手作業で設定した、2 mL の円柱状の領域である。推定肝容積（eLV）は、直交する 3 方向の径から算出した。 XGBoost モデルを 4 つ作った（70/30 分割、5 分割交差検証）。内訳は次のとおりである。臨床因子のみのモデル。臨床因子＋仮想生検ラジオミクス（ViB）。臨床因子＋仮想生検ラジオミクス＋eLV（ViBE+）。臨床因子＋全肝ラジオミクス（WholeLiver）。
結果：対象は 180 例だった。内部コホートは 105 例（男性 63 例、平均年齢 58.9 歳、CASH 陽性 38%）である。外部コホートは 75 例（男性 44 例、平均年齢 62.4 歳、CASH 陽性 19%）である。 信頼区間は、ブートストラップ法による 95% 信頼区間（95% BS-CI）で示す。内部検証では、WholeLiver モデルと ViBE+ モデルがともに優れた性能を示し、両者は同程度だった。 WholeLiver モデルは AUC 0.857（95% BS-CI 0.676〜0.954）、正解率 0.774（95% BS-CI 0.613〜0.903）だった。 ViBE+ モデルは AUC 0.831（95% BS-CI 0.549〜0.956）、正解率 0.839（95% BS-CI 0.710〜0.935）だった。WholeLiver モデルと ViBE+ モデルの差は有意でなかった（p = 0.814）。 この 2 モデルは ViB モデルを上回った。ViB モデルは AUC 0.724（95% BS-CI 0.483〜0.896）、正解率 0.774（95% BS-CI 0.613〜0.903）だった。 SHAP 解析で、肝容積の指標が主要な予測因子であることを確かめた。 外部検証では、ViBE+ モデルは AUC 0.745（95% BS-CI 0.604〜0.886）、正解率 0.680（95% BS-CI 0.562〜0.783）だった。 【結論】仮想生検は、CASH を予測するためのラジオミクス用の領域を、再現性よく非侵襲的に採取する方法である。肝容積の指標と組み合わせると、全肝解析と同程度の性能が得られる。肝容積の指標と組み合わせると、肝臓全体の解析に匹敵する性能が得られ、臨床応用の可能性が支持される。 【要点】問い：CASH は術後の合併症と関連するが、肝臓手術を受ける患者で術前に非侵襲的に評価することは難しい。それでも、肝手術を受ける患者で CASH を術前に非侵襲的に評価するのはまだ難しい。
所見：仮想肝生検に基づくラジオミクス解析を容積の測定と組み合わせると、CASH の予測で優れた性能を示した。性能は全肝解析と同程度だった。肝容積が主要な予測因子として浮かび上がった。 臨床上の意義：標準化した仮想生検に基づくラジオミクス解析は、肝実質の障害を非侵襲的に評価する有望な方法である。その例として、CASH の術前評価と、手術の高リスク患者の特定が示された。
掲載誌の IF 相当：5.4（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Ammirabile A, Mastroleo F, De Martino R, Pugliese N, Waddle M, Laghi A, et al. Virtual liver biopsy for detecting steatohepatitis in chemotherapy-treated patients: comparison with whole-liver radiomics and external validation. Eur Radiol. 2026 Nov 7 [Epub ahead of print]. doi:10.1007/s00330-026-13004-6.確認の範囲：抄録のみ確認 - Radiomics analysis of brain–tumor interface on multiparametric MRI for prediction of brain metastasis primary site抄録（全訳）
目的：脳転移（BM）は進行がん患者によく起こる。個別化治療には、原発巣を正確に特定することが欠かせない。従来の画像検査では、BM の原発巣を予測するには感度と特異度が足りないことが多い。 本研究の目的は、脳・腫瘍境界部（BTI）の特徴を重視したマルチパラメトリック MRI のラジオミクスモデルを作り、検証することである。モデルでは脳・腫瘍境界部（BTI）の特徴量を重視した。BM の原発巣を非侵襲的に特定する精度を高めるのがねらいである。 【対象と方法】 主コホートは 2 施設の 429 例（BM 740 病変）である。原発は非小細胞肺がん（NSCLC）、小細胞肺がん（SCLC）、乳がん（BC）、消化器がん（GIC）だった。独立した検証コホートは、3 施設目の 33 例（BM 84 病変）である。 全例が治療前に 3.0 T の MRI を受けた。撮像には、造影 T1 強調像（T1CE）と T2 強調像（T2W）を用いた。ラジオミクス特徴量は、腫瘍の中心部と BTI 領域（2、4、6、8 mm）から抽出した。 特徴量の選択には LASSO 回帰（least absolute shrinkage and selection operator）を使った。ラジオミクスシグネチャー（RS）は、受信者動作特性（ROC）解析で評価した。
結果：4 mm の BTI 領域に基づく RS-BTI4 が、全体として最もよい性能を示した。ROC 曲線下面積（AUC）は、学習コホートで次のとおりだった。肺がん（LC）／肺がん以外（NLC）の判別で 0.855、SCLC／NSCLC で 0.910、BC／GIC で 0.890 である。 同じ順に、検証コホートでは 0.726、0.856、0.809 だった。外部検証コホートでは 0.739、0.750、0.792 だった。 BM の原発巣の特定では、RS-BTI4 は一貫して他のモデルを上回った。比較したのは、ほかの幅の BTI に基づくモデルと、腫瘍全体の領域に基づくモデルである。
結論：BTI から得たラジオミクス特徴量は、BM の原発巣を非侵襲的に特定する手段として大きな可能性を示す。予測性能は 4 mm の BTI 領域で最もよかった。 【要点】 問い：従来の MRI では、脳転移の原発巣を確実には特定できない。診断時に原発腫瘍が分かっていない場合は特にそうである。
所見：4 mm の脳・腫瘍境界部モデルは、AUC で測った全体の性能が最もよかった。これは、3 つの二値分類課題のいずれでも、また検証コホートでも同様であった。 臨床上の意義：脳・腫瘍境界部のラジオミクスをマルチパラメトリック MRI と組み合わせると、BM の原発巣を非侵襲的に推定しやすくなる可能性がある。臨床放射線診療で、より的を絞った診断評価を支える可能性もある。
掲載誌の IF 相当：6.5（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Jiang M, Han B, Huang Y, Rong X, Zhao W, Ge X, et al. Radiomics analysis of brain–tumor interface on multiparametric MRI for prediction of brain metastasis primary site. Insights Imaging. 2026 Nov 6;17(1):286. doi:10.1186/s13244-026-02464-5.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
- 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
肺がんの治療・治験とAI
- A single-cell transcriptomics-based prognostic model identifies TM4SF1 as a key promoter of malignant progression in lung adenocarcinoma抄録（全訳）
背景：肺腺がん（LUAD）では、腫瘍内の不均一性が腫瘍の進展と免疫回避に大きく影響する。しかし、現在の予後モデルの多くは単一細胞レベルの情報を扱っていない。そのため、腫瘍微小環境（TME）の複雑な細胞動態を捉えられていない。
方法：単一細胞 RNA シーケンスとバルクのトランスクリプトーム解析を統合し、細胞種ごとのシグネチャーを導いた。頑健な予後モデルを作るため、機械学習アルゴリズムの 101 通りの組み合わせを系統的に評価した。評価には複数の独立コホートを用いた。免疫の全体像、変異の特徴、細胞間コミュニケーション、免疫療法への反応性も包括的に評価した。同定したハブ遺伝子は、transmembrane 4 L six family member 1（TM4SF1）である。TM4SF1 の生物学的機能は、in vitro で厳密に検証した。
結果：最適なモデルは StepCox[forward]-Ridge で、5 つのコホートで高い予後層別能を示した。低リスクの腫瘍は、免疫炎症型の表現型を示した。低リスクの腫瘍は免疫炎症型を示し、免疫チェックポイント阻害薬によく反応すると予測される割合が高いことが示唆された。一方、高リスクの腫瘍は免疫抑制性の TME をもっていた。線維芽細胞と骨髄系細胞による細胞間コミュニケーションが過剰に活発だった。TM4SF1 は、この高リスクシグネチャーの主要なドライバーだった。TM4SF1 をサイレンシングすると、LUAD 細胞の増殖・遊走・浸潤が有意に抑えられた。アポトーシスも強く誘導された。TM4SF1 を枯渇させると、PD-L1 が減り、MHC-I が増え、CCL5 の分泌が下がった。TM4SF1 を枯渇させると、PD-L1 が減り、MHC-I が増え、CCL5 の分泌が下がって、腫瘍の免疫回避が逆転した。
結論：単一細胞の情報にもとづくこの機械学習の枠組みは、LUAD で高い予後層別能を示した。この枠組みは、免疫療法に反応しうることと関連する免疫表現型も捉える。TM4SF1 は、LUAD の悪性進展や免疫関連の表現型に関わる候補メディエーターとして浮上した。作用機序の解明と in vivo での検討をさらに進める必要がある。このことから、TM4SF1 は有用な治療標的となりうることが示唆される。
掲載誌の IF 相当：2.8（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-04 に取得。正式な IF（Clarivate）ではない）書誌：Li J, Liu T, Li L, Lu W, Huang J, Li X, et al. A single-cell transcriptomics-based prognostic model identifies TM4SF1 as a key promoter of malignant progression in lung adenocarcinoma. Front Oncol. 2026 Nov 6;16:1948068. doi:10.3389/fonc.2026.1948068.確認の範囲：抄録のみ確認 - A deep monitoring microfluidic platform for label-free identification and nanodrug evaluation in lung cancer.抄録（全訳）
まれながん細胞をリアルタイムで検出できれば、ベッドサイドでより適切な治療判断に役立つ可能性がある。しかし、従来の濃縮法には限界がある。感度が低く、細胞を傷つけるおそれが大きく、処理にも時間がかかる。この課題に対応するため、H1299 細胞（転移性非小細胞肺がん細胞株）を対象に、知能型のマイクロ総合分析プラットフォームを開発した。対象は H1299 細胞（転移性非小細胞肺がんの細胞株）である。このシステムは、2 つのマイクロ流体チップを直列に連結した構成と、高解像度顕微鏡を組み合わせている。この顕微鏡は、深層学習に基づく検出の枠組みで動かす。十字型合流部をもつマイクロ流体チップについて、有限要素シミュレーションで液滴生成の条件を最適化した。高解像度の液滴画像 749 枚（1536 × 1024 ピクセル）でデータセットを作った。液滴 5127 個に分布する生きた H1299 肺がん細胞 2619 個を含む、749 枚の高解像度液滴画像（1536 × 1024 ピクセル）でデータセットを構築した。評価したアルゴリズムの中から YOLOv7 モデルを選び、最適化した。検出精度は 98% を超え、リアルタイムの推論速度は毎秒 55 フレームを上回った。概念実証として、抗がん剤に対する単一細胞レベルの反応を、このプラットフォームで定量的に解析した。対象は希釈していない全血と処理済みの生検検体で、30～40 分で、標準的な CCK-8 法と一致する結果を得た。解析は 30〜40 分で終わった。結果は、標準的な Cell Counting Kit-8（CCK-8）アッセイと一致した。必要な検体量が最小限で、標識が不要で、性能も安定している。このことは、治療モニタリングに使える可能性を裏づける。さらに、画像の連続取得と自律的な解析ができる。このため、今後のがん研究で動的なモニタリングを後押しする可能性がある。
掲載誌の IF 相当：11.9（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：Zhang S, Bo B, Gu H, Chen M, Wu D, Li Y, et al. A deep monitoring microfluidic platform for label-free identification and nanodrug evaluation in lung cancer. Biosensors and Bioelectronics. 2027 Feb;318:119395. doi:10.1016/j.bios.2026.119395.確認の範囲：抄録のみ確認
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
膵がんの治療・治験とAI
- Deep learning radiomics model for lymph node metastases prediction: a diagnostic study.抄録（全訳）
背景：膵管腺がん（PDAC）は、リンパ節（LN）転移を起こすことが多い。そのため、リスクの高い患者を早く見つけることが、治療方針の最適化に重要である。しかし、頑健な予測モデルは限られており、外部検証も不十分である。本研究の目的は、PDAC 患者の LN 転移の有無を術前に検出する人工知能（AI）モデルを作り、検証することである。
方法：膵臓手術の症例数が多い 2 施設で、2015 年 7 月から 2022 年 7 月に病理学的に PDAC と確定した患者 233 例を後ろ向きに登録した。全例が造影コンピュータ断層撮影（CT）を受け、厳格な選択・除外基準を満たしていた。経験のある放射線科医 2 名が、それぞれ独立に画像を読影した。ラジオミクス解析には、MATLAB と Python ベースの PyRadiomics を使った。特徴量を選択した結果、14 のラジオミクス特徴量が残り、これらからラジオミクススコアを作成した。3 つの予測モデルを作り、比較した。
結果：抽出した 1,652 のラジオミクス特徴量から 14 を選び、ラジオミクススコアを作った。このスコアは LN 転移と有意に関連した（P<0.001）。多変量ロジスティック回帰で、LN 転移の独立した予測因子を調べた。多変量ロジスティック回帰で独立した予測因子とされたのは、腫瘍の部位、血管浸潤、白血球（WBC）数、血小板数、ラジオミクススコアであった。これらからノモグラムを作成した。ラジオミクスと臨床データを組み合わせた最適なモデルを探すため、さまざまな機械学習アルゴリズムを評価した。決定曲線解析では、extreme gradient boosting（XGBoost）モデルが精度と安定性で優れていた。曲線下面積（AUC）は、訓練セットで 0.86、検証セットで 0.81 であった。
結論：術前 CT のラジオミクスと臨床変数を統合した、LN 転移の予測モデルの開発に成功した。XGBoost ベースのモデルは、精度、頑健性、汎化性能のいずれも優れていた。今後は、病理検体の採取を標準化し、前向き多施設試験を行って、より信頼できるモデルを作るべきである。今後は、小さな LN の同定を改善するため、画像技術を進歩させることも求められる。
掲載誌の IF 相当：1.8（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Li Y, Wu S, Qiu J, Meng L, Zhang M, Cai H, et al. Deep learning radiomics model for lymph node metastases prediction: a diagnostic study. Gland Surg. 2026 Oct;15(10):276-6. doi:10.21037/gs-2026-0378.確認の範囲：抄録のみ確認 - Habitat radiomics combined with clinical features for predicting tertiary lymphoid structure status in pancreatic ductal adenocarcinoma: development and validation of a preoperative CECT-based model.抄録（全訳）
背景：三次リンパ様構造（TLS）は、膵管腺がん（PDAC）で注目されつつある予後バイオマーカーである。しかし、術前に TLS を評価できる信頼性の高い非侵襲的な方法は、まだない。本研究の目的は、造影コンピュータ断層撮影（CECT）に基づくハビタットラジオミクスモデルを開発し、検証することである。このモデルは、PDAC の腫瘍内 TLS の状態を術前に予測するためのものである。
方法：この後ろ向き研究では、手術で切除した PDAC 患者 204 例を登録した。患者は訓練コホート（n=142）と検証コホート（n=62）に割り付けた。TLS の有無は、蛍光多重免疫組織化学（mIHC）で判定した。陽性例は、一次濾胞様 TLS と二次濾胞様 TLS に細分した。K-means クラスタリングにより、腫瘍の関心体積（VOI）を空間的に異なる部分領域に分割した。各部分領域からラジオミクス特徴量を抽出し、least absolute shrinkage and selection operator（LASSO）回帰で選択した。5 種類の機械学習分類器を評価した。独立した臨床予測因子は、多変量ロジスティック回帰（LR）で特定した。多変量ロジスティック回帰で同定した独立した臨床的予測因子を、最適な画像モデルと統合し、併用モデルを構築した。
結果：TLS 陽性は、患者の 32.84% で認められた。LR ベースのハビタットモデルの曲線下面積（AUC）は、訓練コホートで 0.939、検証コホートで 0.873 であった。従来のラジオミクスモデル（AUC 0.815、0.701）を大きく上回った。独立した臨床予測因子として、腫瘍の分化度と神経浸潤が特定された。併用モデルの AUC は 0.956 と 0.881 で、最も高かった。較正は良好で、決定曲線解析（DCA）における正味の臨床的有用性も優れていた。
結論：CECT に基づくハビタットラジオミクスにより、PDAC の腫瘍内 TLS を術前に非侵襲的かつ頑健に予測できる。個別のリスク層別化と治療計画に使える、実用的な手段となる。臨床変数を加えると AUC は数値上高くなったが、統計学的に有意な改善ではなかった。
掲載誌の IF 相当：1.8（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Li K, Guo R, Wang X, Li L, Yu F, Li Z, et al. Habitat radiomics combined with clinical features for predicting tertiary lymphoid structure status in pancreatic ductal adenocarcinoma: development and validation of a preoperative CECT-based model. Gland Surg. 2026 Oct;15(10):289-9. doi:10.21037/gs-2026-0439.確認の範囲：抄録のみ確認
前立腺がんの治療・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。
脳腫瘍の治療・治験とAI
- Explainable DSC Perfusion Radiomics for Post-Treatment Glioblastoma Assessment Using a Soft-Voting Machine-Learning Ensemble抄録（全訳）
背景・目的：膠芽腫の化学放射線療法後には、2 つの状態が通常の MRI でよく似て見える。残存または再発した腫瘍（腫瘍陽性病変、TP）と、偽増悪や放射線壊死を含む治療関連変化（TRC）は、従来の MRI では区別しにくい。TRC には偽増悪と放射線壊死が含まれる。本研究では、動的磁化率造影（DSC）灌流 MRI のラジオミクス特徴量だけで、両者を区別できるかを検証した。
方法：公開データセット UCSD-PTGBM の患者 168 例について、治療後の MRI 検査 224 件を解析した。漏出補正した相対脳血液量（rCBV）マップから 1223 のラジオミクス特徴量を得て、機械学習アンサンブルを訓練した。訓練データ（109 例、143 検査）とテストデータ（59 例、81 検査）は、患者単位で分けた。モデルはテスト前に固定した。同じ撮像の脳血流量（CBF）マップでも、解析を繰り返した。DSC と動脈スピン標識（ASL）の比較は、両方の検査を受けた患者で行った。
結果：独立したテストセット（患者単位の解析）で、モデルは TP と TRC を区別できた。受信者動作特性曲線下面積（AUC）は 0.79（95% 信頼区間 0.67〜0.89）であった。腫瘍のある患者 49 例のうち 31 例を検出した（感度 63%）。TRC の患者 10 例は、全例を正しく判別した（特異度 100%）。あらかじめ定めた高感度寄りのカットオフでは、感度 69%、特異度 80% であった。CBF マップを使っても、AUC に有意差はなかった（0.78、P = 0.89）。ただし、感度と特異度のバランスは異なっていた。36 例の探索的なサブセットでは、DSC と ASL に有意差はなかった（AUC 0.82 対 0.71、P = 0.52）。
結論：DSC 灌流ラジオミクス単独で、腫瘍を高い特異度で特定できたが、腫瘍の約 3 分の 1 を見逃した。陽性の結果は腫瘍の診断を支持しうるが、陰性の結果で腫瘍を除外することはできない。臨床で使う前に、外部の多施設での検証が必要である。
掲載誌の IF 相当：6.1（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：Christodoulou RC, Christofi G, Vamvouras G, Esmeraldo MA, Papageorgiou PS, Vassiliou E, et al. Explainable DSC Perfusion Radiomics for Post-Treatment Glioblastoma Assessment Using a Soft-Voting Machine-Learning Ensemble. Cancers. 2026 Nov 6;18(21):3567. doi:10.3390/cancers18213567.確認の範囲：抄録のみ確認 - Brain Tumor Classification Accuracy Enhancement via DenseNet201 Compared to Four Alternative Models抄録（全訳）
脳腫瘍の病期を早期に分類できるかどうかは、現在使える治療計画や治療法の成否を左右する。磁気共鳴画像（MRI）は、治療計画と早期診断に欠かせない方法である。しかし、現在の分類法の多くは精度が十分に高くない。そのため、一部の腫瘍が誤って分類されたり、疑い例とされたりすることがある。
本研究では、深層学習モデルの DenseNet201 を基盤にして脳腫瘍を分類した。データセットは MRI 画像からなり、4種類（髄膜腫、下垂体腫瘍、腫瘍なし、神経膠腫）を含む。分類の精度と汎化性能を高め、過学習を減らすため、分類の過程で3つの手法（a1、a2、a3）を用いた。学習に使っていないテストデータで評価すると、このモデルの正解率は 99.77% と高かった。同じクラスの中でも画像は似通っており、腫瘍の形態も多様である。それでも本手法は、悪性脳腫瘍を効果的に分類できた。
比較には、最先端の深層学習手法4つ（ResNetRS50、ResNet50、VGG19、EfficientNetV2）を用いた。これらの正解率はそれぞれ 99.77%、98.71%、96.88%、96.58% であった。脳腫瘍分類の分野では、本手法が性能で他の手法を上回った。臨床応用につながる可能性を示す結果である。
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：Thamer Z, Sagheer N, Ata O, Abdulmunem A, Thamer H. Brain Tumor Classification Accuracy Enhancement via DenseNet201 Compared to Four Alternative Models. ELCVIA. 2026 Nov 5;25(3):65-80. doi:10.5565/rev/elcvia.2305.確認の範囲：抄録のみ確認
卵巣がんの治療・治験とAI
- Machine learning based model to predict the recurrence after fertility sparing surgery in patients with borderline ovarian tumor抄録（全訳）
境界悪性卵巣腫瘍（BOT）は上皮性卵巣腫瘍の一つで、予後はよい。特に若い患者で予後がよい。妊孕性を残したい患者には、妊孕性温存手術（FSS）が選ばれることが多い。本研究は、FSS 後に再発リスクが高い患者を見分けるため、機械学習（ML）による予測モデルを作ることを目的とした。
多施設の後ろ向き研究で、2010〜2023年に FSS を受けた BOT 患者 589例を対象とした。臨床、病理、検査のデータを集め、10種類の ML アルゴリズムの予測性能を評価した。データを前処理し、そのうえで特徴量を選択した。特徴量の選択には、単変量解析と、予備的な ML モデルから得た特徴量重要度スコアを用いた。データは訓練セットとテストセットに無作為に分けた。ハイパーパラメータは、グリッドサーチと交差検証で調整した。性能は、曲線下面積（AUC）、正解率、感度、特異度などの指標で評価した。
正解率が最も高かったのは Gradient Boosting モデルで、AUC は 0.94、感度は 91%、特異度は 88% であった。再発の主な予測因子は、組織亜型、診断時の年齢、腫瘍の大きさ、術式であった。SHAP 値によってモデルの解釈性を高め、これらの特徴量が重要であることを示した。さらに、モデルを臨床で使いやすくするため、ウェブ上で使えるツールも作った。医師が患者データを入力すると、再発リスクの予測値が得られる。
本研究は、FSS を受ける BOT 患者で ML モデルが役立つ可能性を示した。術後管理の個別化を進め、腫瘍学的転帰と生殖面の転帰を最適化できる可能性を示している。
掲載誌の IF 相当：5.6（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Gao Y, Yan C, Li W, Gao M, Wang T, Huang C, et al. Machine learning based model to predict the recurrence after fertility sparing surgery in patients with borderline ovarian tumor. J Ovarian Res. 2026 Nov 7 [Epub ahead of print]. doi:10.1186/s13048-026-02300-w.確認の範囲：抄録のみ確認
子宮体がんの治療・治験とAI
- MRI-based deep-learning radiomics nomogram for differentiating FIGO 2023 stage I from stage II-IV endometrial cancer: a multicenter study.抄録（全訳）
目的：FIGO 2023 分類でI期の子宮体がん（EC）を術前に見分けることは、治療計画に重要である。本研究では、マルチパラメトリック MRI に基づく深層学習ラジオミクス・ノモグラム（DLRN）を作り、検証した。目的は、I期の EC とII〜IV期の病変を区別することである。 対象と方法： 3施設の患者を後ろ向きに登録した。施設1と施設2の患者は、訓練セット（n = 616）と内部テストセット（n = 158）に無作為に分けた。施設3の患者は外部テストセット（n = 232）とした。DLRN は、深層学習の特徴量、腫瘍内と腫瘍周囲のラジオミクス特徴量、臨床的特徴を統合したものである。DLRN を、臨床モデル、ラジオミクスモデル、深層学習モデルと比べた。識別能は、受信者動作特性曲線の曲線下面積（AUC）で評価した。AUC どうしの比較には DeLong 検定を用いた。
結果：解析対象は計 1006例（平均年齢 56.5 ± 9.7歳）であった。内部テストセットで、DLRN の AUC は 0.852 であった。一方、臨床モデルは 0.673（P = 0.001）、元のラジオミクスモデルは 0.765（P = 0.030）、統合ラジオミクスモデルは 0.793（P = 0.050）で、いずれもこれを下回った。外部テストセットでも DLRN の性能は安定しており、AUC は 0.829 であった。臨床モデル、元のラジオミクスモデル、統合ラジオミクスモデルの AUC は、それぞれ 0.680、0.681、0.743 であり、DLRN はいずれも上回った（すべて P < 0.005）。DLRN の支援を受けると、放射線科医の診断能が向上した。
結論：MRI に基づく DLRN は、いずれのテストセットでも、FIGO 2023 のI期とII〜IV期の EC を安定して識別した。術前のリスク層別化と意思決定支援に役立つ可能性を示す結果である。 要点のうち「問い」：FIGO 2023 病期分類の導入により、病期間の鑑別はより難しくなった。このため、より優れたツールが求められている。
所見：MRI に基づく新しい深層学習ラジオミクス・ノモグラム（DLRN）は、高リスク患者を正確に見分けた。従来の予測法や、個々の臨床予測法を有意に上回った。 臨床的意義：このツールは、医師が術前によりよい治療計画を立てる助けになる。子宮体がんの患者の転帰を改善できる可能性がある。
掲載誌の IF 相当：6.5（OpenAlex の直近 2 年の平均被引用数・2026-11-03 時点の値、2026-11-05 に取得。正式な IF（Clarivate）ではない）書誌：Chu X, Gao L, Wang X, Quan T, Ding Y, Chen Y, et al. MRI-based deep-learning radiomics nomogram for differentiating FIGO 2023 stage I from stage II–IV endometrial cancer: a multicenter study. Insights Imaging. 2026 Nov 6;17(1):284. doi:10.1186/s13244-026-02428-9.確認の範囲：抄録のみ確認
胃がんの治療・治験とAI
- Machine learning-guided multimodal analysis of APAF1-associated tumor microenvironment features prioritizes morellic acid for gastric cancer.抄録（全訳）
背景：胃がん（GC）は、分子レベルの不均一性が大きく、腫瘍微小環境（TME）も複雑である。アポトーシスプロテアーゼ活性化因子1（APAF1）は、ミトコンドリア経路のアポトーシスの中核をなす分子である。しかし GC で、APAF1 が免疫の特徴や空間的不均一性、化合物探索とどう関連するかは、まだ十分に解明されていない。
方法：バルクのトランスクリプトーム、シングルセル RNA シーケンス、空間トランスクリプトームのデータを統合した。これに機械学習によるモデル化、免疫デコンボリューション、空間ニッチ解析を組み合わせ、GC での APAF1 関連の特徴を調べた。次に、機械学習を用いた計算スクリーニングを行った。分子ドッキングと分子動力学（MD）シミュレーションを組み合わせ、モレリン酸（MA）を優先候補として選んだ。MA の生物学的作用と APAF1 関連シグナルの関与は、in vitro と in vivo の実験で評価した。APAF1 の標的化には、in vitro では siRNA を、in vivo では shRNA を用いた。
結果：GC では APAF1 の発現が高く、特に早期の腫瘍で高かった。多変量で調整後も、APAF1 発現は全生存期間の改善と独立して関連していた（ハザード比 0.681（95% 信頼区間 0.494〜0.940、P = 0.0196））。ただし、APAF1 単独で予後を見分ける力は限られていた。時間依存の受信者動作特性（ROC）解析では、予測性能は低かった。腫瘍と正常組織を比べた ROC 解析では、両者の間で発現に差があった（AUC 0.875、95% 信頼区間 0.823〜0.918）。シングルセル解析と空間解析では、APAF1 発現が特徴的な免疫細胞のパターンや腫瘍の空間ニッチと関連していた。 機械学習を用いた計算スクリーニングで、MA が候補化合物として優先された。MA は GC 細胞の増殖と遊走を抑えた（50% 阻害濃度（IC50）1.807 ± 0.16〜6.216 ± 0.23 μM）。MA は in vivo でも腫瘍の増殖を抑制した。腫瘍抑制率は、低用量で 79.32 ± 7.69%、中用量で 92.37 ± 4.21%、高用量で 92.19 ± 2.99% であった。APAF1 をサイレンシングすると、MA に伴う変化が弱まった。APAF1 をサイレンシングすると、MA に伴う切断型カスパーゼ3の活性化と GSDME-NT の蓄積の変化が弱まった。APAF1 関連の細胞死シグナルが関与している可能性が示唆される。
結論：GC で、APAF1 は特徴的な腫瘍微小環境や臨床的特徴と関連していた。APAF1 が、ミトコンドリア経路のアポトーシスという本来の役割を超えて、腫瘍生物学に関与する可能性を支持する結果である。本研究の新規性は、APAF1 の研究をアポトーシスという本来の機能の枠を超えて広げた点にある。具体的には、機械学習とマルチモーダルなトランスクリプトーム解析・空間解析を統合した。これにより、APAF1 関連の TME の特徴を明らかにし、計算で MA を優先候補として選んだ。これらの知見全体は、スケールをまたぐ枠組みを提供する。この枠組みは、GC における APAF1 関連の腫瘍生物学を、候補化合物のスクリーニングや MA に関連する細胞死応答と結び付ける。
掲載誌の IF 相当：10.4（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Jia B, Yan B, Li S, Yang J, Cheng Z, Zhou X, et al. Machine learning-guided multimodal analysis of APAF1-associated tumor microenvironment features prioritizes morellic acid for gastric cancer. Phytomedicine. 2026 Nov;162:158895. doi:10.1016/j.phymed.2026.158895.確認の範囲：抄録のみ確認
肝臓がんの治療・治験とAI
- Development and external validation of an explainable machine learning model using routine perioperative clinical variables for postoperative pulmonary complication risk stratification after hepatectomy for primary liver cancer.抄録（全訳）
背景：術後肺合併症（PPC）は肝切除後によく起こる。原発性肝がん（PLC）の患者では、PPCは回復の遅れ、入院期間の延長、医療負担の増加と関連する。既存のPPCリスク評価法は、主に一般外科の患者集団をもとに作られている。そのため、肝切除に特有の周術期因子を十分に取り込めていない可能性がある。具体的には、手術の複雑さや術中の特徴などが挙げられる。本研究の目的は、PLC患者の肝切除後のPPCリスクを層別化する、説明可能な機械学習予測モデルを開発し、外部検証することである。
方法：後ろ向きの予測モデル開発・検証研究である。対象は、中国の三次病院で待機的肝切除を受けた成人のPLC患者906例である。対象は、待機的肝切除を受け、PLCと病理学的に確定した成人の連続症例である。次のいずれかに該当する患者は除外した。術前の肺感染、緊急手術、切除を伴わない手術、術前の重度の臓器不全、他の悪性腫瘍の合併、主要な臨床データの欠損である。開発コホートは、訓練コホート（n=635）と内部テストコホート（n=271）に無作為に分けた。独立した外部検証コホートには、別の病院の388例を含めた。候補となる予測因子は、周術期の日常診療で得られた電子カルテ（EMR）から取得した。人口統計学的特徴、併存疾患、検査値、腫瘍関連の特徴、術中変数である。欠損した予測因子は、連鎖方程式による多重代入法（MICE）で補完した。PPCは欧州周術期臨床アウトカム（EPCO）基準で定義し、術後30日以内に評価した。特徴量の選択には、LASSO（least absolute shrinkage and selection operator）回帰と、ランダムフォレスト再帰的特徴量削減（RF-RFE）を用いた。訓練コホート内の交差検証により、8種類の機械学習アルゴリズムを構築した。評価は、識別能、適合率・再現率の性能、較正、分類性能、決定曲線分析（DCA）に基づいて行った。モデルの解釈可能性は、SHAP（Shapley Additive Explanations）で評価した。
結果：開発コホート906例のうち、131例（14.5%）にPPCが起きた。外部検証コホートでは、388例中66例（17.0%）にPPCが起きた。評価したアルゴリズムのうち、性能のバランスが最もよかったのはナイーブベイズ（NB）モデルである。内部テストコホートでのNBの成績は次のとおりである。曲線下面積（AUC）0.851（95% 信頼区間 0.767〜0.934）、適合率・再現率曲線下面積（PR-AUC）0.668（95% 信頼区間 0.485〜0.798）、感度71.1%、特異度90.6%、ブライアスコア0.075。外部検証コホートでも、NBは一貫した性能を保った。外部検証コホートでのNBは、AUC 0.861（95%信頼区間 0.810〜0.911）、PR-AUC 0.650（95%信頼区間 0.516〜0.759）、感度63.6%、特異度86.0%、ブライアスコア0.094である。SHAP解析により、個々の患者のPPCリスク予測に大きく寄与する因子が特定された。年齢、術中の輸血、肝門部遮断（portal triad clamping）の時間である。
結論：PLC患者の肝切除後のPPCリスクを層別化するため、NBに基づく説明可能な機械学習モデルを開発し、外部で評価した。このモデルは、識別能、適合率・再現率の性能、較正が一貫しており、臨床的有用性の可能性も示された。術後の呼吸監視を強化すれば利益を得られる可能性のある患者を、見つける助けになりうる。より広く臨床に導入する前に、前向きの多施設検証と、臨床への影響を調べる研究が必要である。
掲載誌の IF 相当：2.0（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Lu L, Ma Y, Li Q. Development and external validation of an explainable machine learning model using routine perioperative clinical variables for postoperative pulmonary complication risk stratification after hepatectomy for primary liver cancer. J Gastrointest Oncol. 2026 Oct;17(5):301-1. doi:10.21037/jgo-2026-0702.確認の範囲：抄録のみ確認
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
- Machine learning models to predict pathological complete response after chemoradiotherapy in muscle-invasive bladder cancer: toward optimized indications for bladder preservation.抄録（全訳）
背景と目的： 筋層浸潤性膀胱がん（MIBC）では、膀胱を温存する化学放射線療法（CRT）を行うことがある。その後、顕微鏡レベルの病変が残ると、膀胱内再発の原因になりうる。本研究の目的は、CRT後の病理学的完全奏効（pCR）を予測する機械学習モデルを開発することである。 対象と方法： cT2-4N0M0のMIBC患者285例を後ろ向きに解析した。全例がCRTの後に膀胱部分切除術か膀胱全摘除術を受けている。CRTへの反応は、膀胱切除標本で判定した。患者は固定した乱数シードを用いて、訓練コホート（n = 228）とテストコホート（n = 57）に無作為に割り付けた。訓練コホートで、計102の機械学習モデルを評価した。受信者動作特性曲線下面積（AUC）が訓練コホートで最も高いモデルを選び、テストコホートで評価した。モデルに含めた変数は、臨床T病期、腫瘍径、多発性、水腎症、膀胱頸部浸潤（BNI）、上皮内がん（CIS）の併存、組織亜型、グレード、進行である。
結果：臨床T病期は、T2が169例、T3が105例、T4が11例であった。水腎症は69例にみられた。CRT前の経尿道的切除では、多発性が108例、BNIが54例、CISの併存が34例に認められた。全体では、285例中178例（62%）がpCRに達した。最終モデルとして選んだのはWeightedEnsemble_L4である。テストコホートでのAUCは0.829（95% 信頼区間 0.706〜0.932）であった。較正スロープは0.856（95% 信頼区間 0.469〜1.639）であった。信頼区間が広く、較正には不確実性があった。
結論：臨床病理学的変数に基づく機械学習で、CRT後のpCRを推定した。MIBC患者で膀胱を温存するかどうかを決める際の助けになる可能性がある。
掲載誌の IF 相当：2.1（OpenAlex の直近 2 年の平均被引用数・2026-11-08 時点の値、2026-11-09 に取得。正式な IF（Clarivate）ではない）書誌：Fujiwara M, Tanaka H, Hirahara D, Saho T, Takaya E, Matsumoto S, et al. Machine learning models to predict pathological complete response after chemoradiotherapy in muscle-invasive bladder cancer: toward optimized indications for bladder preservation. Clinical and Translational Radiation Oncology. 2027 Jan;62:101320. doi:10.1016/j.ctro.2026.101320.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。