AIとがん研究 ── がん一般 ── 2026-11-12
がん一般の分子生物学の進展とAI
- Prior-guided whole-slide survival prediction with soft histopathologic priors from vision-language foundation models.抄録(全訳)
全スライド画像(WSI)からの生存予測は難しい。腫瘍の形態が不均一だからである。予後の手がかりは、腫瘍、間質、免疫細胞の浸潤、壊死、その他の組織の各領域に散らばっている。パッチ(画像の小区画)の単位では、複数の組織の特徴が混ざって現れることも多い。
既存のモデルの多くは、パッチの埋め込みをそのまま集約する。あるいは組織の手がかりを硬い疑似ラベルに変換する。組織の手がかりをハードな疑似ラベルに変える方法では、腫瘍と微小環境の境界にある不確かさが失われうる。
著者らは、事前分布を指針として WSI から生存を予測する枠組みを提案した。使う事前分布は、視覚言語基盤モデル CONCH から得たソフトな組織病理学的事前分布である。プロンプトとの類似度スコアを正規化し、パッチごとの組織分布に変換する。この分布は、次の三つの処理を導くのに使う。
・確率で重み付けした組織プロトタイプの初期化ただし、予後に関する事前分布との整合からは外した。
The Cancer Genome Atlas(TCGA)の 5 コホートで、患者単位の 5 分割交差検証を行った。対象は KIRC(腎明細胞がん)、KIRP(乳頭状腎細胞がん)、LUAD(肺腺がん)、STAD(胃腺がん)、UCEC(子宮体がん)である。一致指数(C-index)はそれぞれ 0.7307、0.8153、0.6375、0.6744、0.7029 だった。どのコホートでも、最も強いベースラインと同等以上だった。
Kaplan-Meier 解析では、すべてのコホートで高リスク群と低リスク群が有意に分かれた。構成要素を一つずつ外すアブレーション研究も行った。その結果、ソフトな事前分布、エントロピーによる重み付け、Others チャネル、グラフ文脈の集約は、いずれも性能に寄与すると確かめられた。
以上から、パッチ単位の組織病理学的な不確かさを残すと、WSI による生存リスクの層別化に一貫した解釈可能な手がかりが得られることが分かった。
掲載誌の IF 相当:2.0(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:Wang S, Chen Y, Zhang L, Li X, Huang Y, Li X, et al. Prior-guided whole-slide survival prediction with soft histopathologic priors from vision-language foundation models. Biomed Phys Eng Express. 2026 Nov 9 [Epub ahead of print]. doi:10.1088/2057-1976/aebfa5.確認の範囲:抄録のみ確認 - Integrating ToF-SIMS and machine learning reveals a mammary tumor-associated multi-ion signature.抄録(全訳)
がんのバイオマーカーには、特異性と再現性が求められる。加えて、実用的な生体試料から測定できることも求められる。オミクス手法によって、バイオマーカーの探索は大きく進んだ。それでも多くの手法は、個々の分子や限られた分子パネルに頼っている。これでは腫瘍生物学の複雑さを十分にとらえられないおそれがある。腫瘍に関連した化学的シグネチャーががんの検出の改善につながるかは、まだ分かっていない。
本研究では、乳がんマウスモデル MMTV-PyMT を使った。乳腺腫瘍に関連する多イオンシグネチャーを乳腺組織で検出できるかを調べた。同じ動物から採取した肝臓、血清、被毛でも同様に調べた。
低質量イオン(m/z 50-250)を飛行時間型二次イオン質量分析(ToF-SIMS)で分析した。これに多変量解析と機械学習を組み合わせた。
乳腺腫瘍の多イオンシグネチャーは頑健で、担がんマウスと健康なマウスを確実に見分けた。検証には、1 匹ずつ除く交差検証(leave-one-animal-out)を用いた。部分最小二乗判別分析(PLS-DA)とランダムフォレストのどちらでも、受信者動作特性曲線下面積(AUC)は 0.997 だった。
動物ラベルを並べ替える検定で、分類性能は偶然で期待される水準より有意に高いと確かめられた。313 個のイオンのうち 98 個が、動物単位で有意に異なった。
肝臓と血清の試料では、腫瘍に関連した判別の根拠はほとんど得られなかった。一方、被毛は分類性能が最も高かった。判別に役立つイオンが乳腺組織と最も多く重なったのも、被毛であった。
以上から、低質量 ToF-SIMS を使えば、乳腺腫瘍に関連する多イオンシグネチャーを頑健に特定できることが示された。ただし、検出のしやすさは生体試料の種類で異なる。被毛での証拠はまだ探索的な段階にとどまる。それでも、腫瘍に関連する化学情報の一部が原発腫瘍の外にまで及ぶ可能性を示唆する。がんの検出に向けて、毛髪や類似の低侵襲な試料をさらに調べる価値がある。
掲載誌の IF 相当:3.7(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:Manaprasertsak A, Tang W, Lööf C, Azemovic L, Mohlin S, Hagerling C, et al. Integrating ToF-SIMS and machine learning reveals a mammary tumor-associated multi-ion signature. Analyst. 2026 [Epub ahead of print]. doi:10.1039/d6an01090c.確認の範囲:抄録のみ確認