AIとがん研究 ── がん一般 ── 2026-11-10

対象誌と選び方は索引の頁に

がん一般の分子生物学の進展とAI

• 臨床応用を見据えたパンキャンサー（汎がん）分類：機械学習モデルの包括的解析
  Pan-Cancer Classification in Clinical Applications: A Comprehensive Analysis using Machine Learning Models
  SUST Journal of Science and Technology (SUST JST) · 2026-11-08 · 証拠の段階: 後ろ向きの観察（既存の臨床データによるモデル開発、外部検証なし）
  抄録（全訳）

  がんは世界で数百万人が罹患する病気である。がん種を正確かつ速やかに分類できるかどうかは、治療の選択や患者の転帰と深く関わる。とくに転移がんや原発不明がんでは、がんがどの組織から生じたかが分かれば、その部位に合った治療を直接選べる。

  変異数、腫瘍のステージ、診断時年齢、腫瘍純度、喫煙状況、性別といった臨床・ゲノムの変数は、それぞれ単独でがんの性質と関連する。ただし、先行研究の多くは単一のがん種の中での分類を扱ってきた。これらの変数を組み合わせて幅広いがん種の分類が改善するのかは、直接検証された例がほとんどない。

  本研究では、4 つの機械学習分類器を評価した。ランダムフォレスト、Extreme Gradient Boosting（XGBoost）、サポートベクターマシン（SVM）、人工ニューラルネットワーク（ANN）である。対象は、20 がん種にわたる臨床のパンキャンサーデータセット（6,110 例、うち 1,222 例はテスト用に保留）である。入力には、日常診療で得られる臨床共変量とゲノムの要約共変量の計 10 項目を用いた。

  最も成績が高かったのは XGBoost で、正解率 87.0%（95% 信頼区間 85.0〜88.8%）、F1 スコア 0.869、ROC 曲線下面積（ROC AUC）0.993 であった。ランダムフォレストがこれに僅差で続いた。両モデルは SVM と ANN を上回り、その差は 5 分割交差検証で統計的に有意と確かめられた。

  選んだ変数がそろって分類性能に寄与するとは前提にせず、この点を順列特徴量重要度で直接検証した。その結果、4 モデルのいずれでも、複数の特徴量がそれぞれ重複しない独自の予測価値をもつことが分かった。

  この性能は、多クラスのパンキャンサー分類を扱った先行研究とおおむね同等である。先行研究が対象としたがん種はより少なく（13〜14 種）、入力にはかなり高次元のゲノムデータを使っていた。このことから、臨床で入手しやすい少数の特徴量でも、より幅広いがん種を分類できる可能性が示唆される。

  以上の結果は、臨床データにもとづくパンキャンサー分類が、今後の意思決定支援研究の方向として実現可能であることを支持する。臨床に応用する前に、独立した多施設コホートでの外部検証が必要である。

  掲載誌の IF 相当：0.0（OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-10 に取得。正式な IF（Clarivate）ではない）
  書誌：Md. Shadmim Hasan Sifat, Rahman MS. Pan-Cancer Classification in Clinical Applications: A Comprehensive Analysis using Machine Learning Models. SUST Journal of Science and Technology. 2026 Nov 8;35(2). doi:10.63512/sustjst.2025.2002.
  確認の範囲：抄録のみ確認
• ACAP-AG：異種データを統合して抗がん活性を予測するグラフニューラルネットワークモデル
  ACAP-AG: A graph neural network model for anticancer activity prediction by integrating heterogeneous data.
  Journal of pharmaceutical analysis · 2026-06-01 · 証拠の段階: 前臨床（計算による予測モデル）
  抄録（全訳）

  • ACAP-AG は、異種データの扱いと大規模予測の難しさを克服する。

  • ACAP-AG は、がん患者の治療に対する感受性・抵抗性を正確に予測する。

  • ACAP-AG は、最適な抗肝がん活性をもつ天然物（NP）誘導体を優先順位づけする。

  ［図：本文参照］

  掲載誌の IF 相当：7.7（OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-10 に取得。正式な IF（Clarivate）ではない）
  書誌：Wang YC, Hu MM, Li TZ, Li SZ, Chen JJ. ACAP-AG: A graph neural network model for anticancer activity prediction by integrating heterogeneous data. J Pharm Anal. 2026 Oct;16(10):101680. doi:10.1016/j.jpha.2026.101680. PMID: 42999687; PMCID: PMC13744312.
  確認の範囲：抄録のみ確認

← この号の目次へ