AIとがん研究 ── 乳がん ── 2026-11-12
乳がんの治療・治験とAI
- A Comprehensive Framework for Breast Cancer Recurrence Prediction Using Class Balancing and Feature Optimization Techniques抄録(全訳)
背景:乳がんは、世界の女性で最も多い悪性腫瘍の一つである。がんによる死亡の主な原因の一つでもある。乳がんの再発を正確に予測することは、臨床的に重要である。患者の生存、治療計画、経過観察の方針に関わるからである。しかし、再発予測はまだ難しい。理由は、医療データセットが抱える次の問題にある。すなわち、特徴量空間の高次元性、クラスの不均衡、限られた標本数、ノイズの多い変数である。
方法:本研究は、乳がん再発を予測する統合的な機械学習の枠組みを提案する。この枠組みは、ハイブリッドのアンサンブル学習、データのバランス調整、最適化にもとづく特徴量選択を組み合わせている。まず複数の分類器を比べた。そのうえで、再現率と F1 スコアの性能から XGBoost + SVM のハイブリッドモデルを選んだ。クラス不均衡への対策には ADASYN を使い、学習時の再発例の割合を増やした。続いて、Optuna と蟻コロニー最適化(ACO)を組み合わせて特徴量を選択した。これにより、情報量の多い特徴量を少数に絞り込んだ。
結果:枠組みは、主に Breast Cancer Wisconsin Prognostic(WPBC)データセットで開発し、評価した。正解率は 93.30%、F1 スコアは 86.60%、再現率は 91.30% だった。曲線下面積(AUC)は 95.86% だった。ほかの乳がん分類課題にも使えるかを調べるため、同じモデル構築法を別の二つのデータセットでも評価した。Breast Cancer Wisconsin Diagnostic(WDBC)と Wisconsin Breast Cancer Original(WBC)である。AUC はそれぞれ 99.91% と 98.74% だった。
結論:WPBC データセットでは、XGBoost + SVM、ADASYN によるクラスの均衡化、Optuna + ACO による特徴量選択の統合が、乳がん再発予測に寄与しうると示唆された。三つの要素とは、XGBoost + SVM、ADASYN によるクラスバランス調整、Optuna + ACO による特徴量選択である。WDBC と WBC での追加実験の結果も、このモデル構築法がほかの乳がん分類課題に適用できることを示している。特徴量の構成や予測対象が異なる乳がん分類課題にも、提案手法を適用できることが示された。
掲載誌の IF 相当:5.4(OpenAlex の直近 2 年の平均被引用数・2026-10-23 時点の値、2026-10-24 に取得。正式な IF(Clarivate)ではない)書誌:Altuntaş D, Aymaz Ş. A Comprehensive Framework for Breast Cancer Recurrence Prediction Using Class Balancing and Feature Optimization Techniques. Biomedicines. 2026 Nov 9;14(11):2579. doi:10.3390/biomedicines14112579.確認の範囲:抄録のみ確認