AIとがん研究 ── 2026-11-10
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（1） · 肺がん（0） · 大腸がん（0） · 膵がん（0） · 前立腺がん（0） · 脳腫瘍（0） · 卵巣がん（0） · 子宮体がん（0） · 胃がん（0） · 肝臓がん（1） · 腎臓がん（0） · 膀胱がん（0）
希少癌: 腺様嚢胞癌（0）
がん一般の分子生物学の進展とAI
- Pan-Cancer Classification in Clinical Applications: A Comprehensive Analysis using Machine Learning Models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: A graph neural network model for anticancer activity prediction by integrating heterogeneous data.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
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
- Decoding neutrophil spatial heterogeneity and clinical implications in breast cancer抄録（全訳）
Xu らは、AI を用いた計算病理学と単一細胞空間オミクスを組み合わせ、乳がんの包括的な複数のコホートで好中球の空間的な不均一性を調べた。臨床的に意味のある好中球の空間パターンを特定し、その基盤となる生物学的機序についての知見も示した。好中球の空間パターンを既存のバイオマーカーと組み合わせると、患者の層別化がさらに精緻になる。
掲載誌の IF 相当：37.8（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：[No authors listed]. Decoding neutrophil spatial heterogeneity and clinical implications in breast cancer. Cancer Cell. [Epub ahead of print]. doi:10.1016/j.ccell.2026.10.005.確認の範囲：抄録のみ確認
肺がんの治療・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。
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
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
この号では、新しい該当論文はありませんでした。
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
- Development and validation of an HDAC-related prognostic signature for hepatocellular carcinoma: a single-cell transcriptomic and machine learning study抄録（全訳）
肝細胞がん（HCC）は不均一性が高く、死亡率も高く予後も不良なため、いまも健康上の懸念となっている。ヒストン脱アセチル化酵素（HDAC）は腫瘍の進行に影響する。しかし、HCC の腫瘍微小環境（TME）で HDAC が果たす役割は、まだ十分に調べられていない。
本研究の目的は二つである。一つは、単一細胞 RNA シーケンシング（scRNA-seq）データを使い、HCC の HDAC 関連細胞サブタイプの特徴を明らかにすること。もう一つは、臨床応用に適した頑健な予後予測シグネチャーを作ることである。
HCC と隣接する非腫瘍組織の scRNA-seq データ（GSE242889）を解析した。悪性細胞は inferCNV で特定し、HDAC サブタイプは非負値行列因子分解（NMF）で分類した。続いて、機械学習にもとづく予後予測シグネチャー（HDAC-related Signature）を作り、独立したコホートで検証した。
発現に差のある HDAC が 13 個見つかり、悪性細胞では HDAC のエンリッチメントスコアが低かった。NMF で 3 つの HDAC サブタイプ（HDAC-C1、-C2、-C3）が区別でき、代謝と転写のプロファイルはサブタイプごとに異なっていた。
HDAC-C1 サブタイプは、銅の解毒と予後不良に関連していた。このサブタイプをもとに、6 遺伝子（SQSTM1、ADM、HDAC2、LGALS1、HDAC1、NDUFS5）からなる HDAC-related Signature を作った。
このシグネチャーで、患者を高リスク群と低リスク群に層別化できた。高リスク群は全生存期間（OS）が不良で、腫瘍遺伝子変異量が高く、微小環境は免疫抑制的であった。一方、低リスク群では抗腫瘍性の免疫エフェクター細胞（CD8+ T 細胞と NK 細胞）の浸潤が強かった。シグネチャーの判別能は、独立した検証コホートのいずれでも一貫して高かった。
本研究で、HCC の HDAC 関連悪性サブタイプの不均一性が明らかになった。さらに、HDAC-related Signature を、ESMO EBAI（2025）の枠組みで Class C1 に当たる頑健な予後予測ツールとして確立した。このシグネチャーは、ベースライン時点の患者の生存を正確に層別化し、異なる免疫微小環境の表現型も反映する。臨床でのリスク評価に使える、再現性のある予後予測の枠組みとなる。
掲載誌の IF 相当：2.4（OpenAlex の直近 2 年の平均被引用数・2026-10-12 時点の値、2026-10-13 に取得。正式な IF（Clarivate）ではない）書誌：Dai Q, Deng X, Guo B, Wang K. Development and validation of an HDAC-related prognostic signature for hepatocellular carcinoma: a single-cell transcriptomic and machine learning study. Discov Onc. 2026 Nov 7 [Epub ahead of print]. doi:10.1007/s12672-026-06267-4.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
この号では、新しい該当論文はありませんでした。
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。