AIとがん研究 ── 2026-11-12
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(2) · 大腸がん(0) · 膵がん(2) · 前立腺がん(2) · 脳腫瘍(2) · 卵巣がん(0) · 子宮体がん(1) · 胃がん(0) · 肝臓がん(0) · 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
- 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
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 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
肺がんの治療・治験とAI
- Integrating radiomics and dosiomics to predict tumor regression for early adaptive radiotherapy in NSCLC patients.抄録(全訳)
背景:適応放射線治療(ART)には多くの利点がある。しかし多くの資源を要するため、日常診療での使用は限られている。ラジオミクス(画像特徴量の解析)とドジオミクス(線量分布特徴量の解析)にもとづいて、腫瘍縮小の予測モデルを作る。こうしたモデルは、ART の恩恵を受けうる非小細胞肺がん(NSCLC)患者を見分ける助けになる可能性がある。
方法:この後ろ向き研究は、NSCLC 患者 116 例を対象とした。腫瘍縮小は、18〜20 回の分割照射後の肉眼的腫瘍体積(GTV)の変化で評価した。ラジオミクスとドジオミクスの特徴量を抽出し、融合した。特徴量の選択には、ランダムフォレスト、主成分分析、XGBoost を用いた。次に、ラジオミクス特徴量、ドジオミクス特徴量、融合特徴量のそれぞれでサポートベクターマシン(SVM)のモデルを作った。使った特徴量は、ラジオミクス、ドジオミクス、融合特徴量の 3 種類である。最適な単一オミクスモデルの特徴量をさらに統合し、複合モデルを作った。性能の評価には、受信者動作特性(ROC)解析、較正、決定曲線解析を用いた。腫瘍縮小に感受性の高い患者では、コーンビーム CT(CBCT)画像から合成 CT(sCT)を作った。10 回目の照射時の sCT で、肺線量の変化を調べた。あわせて、肺線量の変化と腫瘍体積の減少との関連も調べた。
結果:腫瘍縮小で分けた 2 群の間に、臨床的特徴の有意差はなかった。検証セットでは、複合モデルの予測性能が最も高く、ROC 曲線下面積(AUC)は 0.811 だった。ラジオミクス、ドジオミクス、融合の各モデルを上回った(AUC はそれぞれ 0.750、0.778、0.756)。融合モデルは、単一オミクスモデルより優れてはいなかった。10 回目の照射の時点で、肺線量のパラメータは上昇していた。この増加は、腫瘍体積の減少と線形の相関を示した。このことから、早期の線量変化が ART の指標になりうると示唆される。
結論:本研究は、ラジオミクスとドジオミクスを統合し、NSCLC の放射線治療中の腫瘍縮小を予測するモデルを作ることを目指した。予測の対象は、NSCLC の放射線治療中の腫瘍縮小である。複合モデルの予測性能が最も高かった。CBCT にもとづく予備的な線量検証で、腫瘍縮小に感受性の高い患者では早期 ART が実施可能であると示された。
掲載誌の IF 相当:2.2(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:Zhang F, Zhang L, Li Z, Hu X, Liu Z. Integrating radiomics and dosiomics to predict tumor regression for early adaptive radiotherapy in NSCLC patients. Applied Radiation and Isotopes. 2027 Jan;239:113096. doi:10.1016/j.apradiso.2026.113096.確認の範囲:抄録のみ確認 - EGFR mutation prediction in NSCLC from CT images via self-supervised disentangled feature learning and multimodal fusion.抄録(全訳)
背景:非小細胞肺がん(NSCLC)では、上皮成長因子受容体(EGFR)変異の有無が精密な診断と治療に関わる。コンピュータ断層撮影(CT)で EGFR 変異の有無を非侵襲的に予測できれば、精密な診断と治療を進めるうえで非常に重要である。現在の検出法は侵襲的な組織生検に頼っており、いくつかの限界がある。本研究の目的は、深層学習とマルチモーダル情報を統合した予測モデルを作ることである。モデルは造影 CT(CE-CT)画像を使い、NSCLC 患者の EGFR 感受性変異を非侵襲的に予測する。対象の変異はエクソン 19 欠失と L858R 点変異である。
方法:病理で NSCLC と確定した 466 例を 2 施設から後ろ向きに集めた。内訳は、自施設の 413 例(モデル開発と内部検証用)と他施設の 53 例(独立した外部検証用)である。そのうえで、著者らは新しい枠組みを提案した。この枠組みは、分離型自己教師あり学習(D-SSL)とマルチモーダル情報のゲート付き融合を組み合わせる。D-SSL のエンコーダーは、内部コホート 413 例全体の CT 画像と腫瘍の関心領域(ROI)マスクで事前学習した。事前学習に EGFR 変異のラベルは使っていない。学習後のエンコーダーは固定し、その後の分類に用いた。次に、適応型のゲート付き融合ネットワークを作った。このネットワークは、深層特徴に従来のラジオミクス特徴と臨床情報を動的に統合する。これにより EGFR 感受性変異の有無を予測する。
結果:ランダム分割を 20 回繰り返して評価した。D-SSL 融合モデルの平均 AUC は、訓練セットで 0.800(±0.052)、内部テストセットで 0.794(±0.048)だった。一元配置分散分析(ANOVA)と Tukey HSD 事後検定で比較した。内部テストセットでは、D-SSL 融合モデルの性能が他のモデルより有意に高かった。比較対象は臨床モデル、ラジオミクスモデル、ラジオミクス・臨床融合モデルである(いずれも p < 0.001)。外部検証セットは完全に独立しており、D-SSL の事前学習にも下流のモデル開発にも使っていない。このセットでも D-SSL 融合モデルは安定した性能を保ち、平均 AUC は 0.680(±0.038)だった。アブレーション研究では、形状ヘッドだけ、テクスチャヘッドだけを使うモデルも調べた。平均 AUC はそれぞれ 0.680(±0.023)と 0.684(±0.028)だった。どちらも完全な D-SSL 融合モデルより有意に低かった(いずれも p < 0.001)。形状特徴とテクスチャ特徴が互いに補い合うことが確かめられた。サブグループ解析では、モデルの正解率がどの群でも偶然の水準(50%)を有意に上回った。正解率は女性 83.65%(±3.97%)、男性 68.90%(±3.72%)、喫煙者 85.07%(±4.41%)、非喫煙者 69.21%(±3.44%)である。この結果は、モデルが臨床的特徴だけに頼っていないことを示唆する。むしろ、EGFR 感受性変異に関連する深い画像表現型を捉えていることがうかがえる。特徴の可視化解析では、D-SSL の特徴空間で画像所見のさまざまな型と病理分類を効果的に区別できた。この解析で、モデルは識別力が高く臨床的に意味のある画像表現型を捉えられることが確かめられた。
結論:この枠組みは、D-SSL とマルチモーダル融合を統合したものである。内部でのトランスダクティブな評価では、高い識別能を示した。完全に独立した外部コホートでも、予測上の価値を保っていた。この結果は、自己教師あり表現学習とゲート付きマルチモーダル融合の可能性を支持する。ただし、より大規模な多施設研究がまだ必要である。その際には、事前学習の前にデータを分割する、厳密に帰納的な設計を用いる必要がある。
掲載誌の IF 相当:8.6(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:Jin J, Cai H, Liu Y, Cai W, Han H, Hu M, et al. EGFR mutation prediction in NSCLC from CT images via self-supervised disentangled feature learning and multimodal fusion. J Transl Med. 2026 Aug 11;24(1):1406. doi:10.1186/s12967-026-08778-8.確認の範囲:抄録のみ確認
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
- PancreaGuide for Computed Tomography Report Interpretation and Perioperative Consultation in Pancreatic Cancer: Development and Retrospective Evaluation of a Knowledge-Augmented Large Language Model Agent.抄録(全訳)
背景:膵がんの診療には大きな課題が残っている。病状や切除可能性に関わる情報を正確に読み取ること、そして周術期に十分な意思疎通を図ることである。日常診療では、CT 報告書が構造化されておらず、臨床情報も複雑である。このため、臨床情報の伝わりやすさと一貫性が損なわれるおそれがある。臨床医の説明の負担も増えうる。大規模言語モデル(LLM)は、臨床情報の支援に新しい機会をもたらす。しかし、既存の応用は特定の作業に限られることが多い。CT 報告書の解釈と周術期相談を、患者中心の一つの枠組みにまとめた例はほとんどない。
目的:本研究の目的は、知識拡張型 LLM エージェント PancreaGuide を開発し、後ろ向きに評価することである。PancreaGuide は臨床医の監督下で使う前提で設計した。支援の対象は二つある。CT 報告書から膵がんの切除可能性に関わる情報を読み取ることと、標準化した周術期相談を行うことである。
方法:構造化プロンプト、検索拡張生成、膵臓外科に特化した知識ベースを統合した。これらを組み合わせて、臨床情報の解釈と周術期相談を支援する。対象は、2023〜2025 年に華西医院(West China Hospital)で造影 CT を受けた 444 例の後ろ向きコホートである。3 つの LLM(ChatGPT、DeepSeek、Gemini)を評価した。いずれも基本の構成と PancreaGuide を組み込んだ構成の両方で調べた。CT 報告書から切除可能性に関わる情報を読み取る性能は、手術に基づく代替の参照基準に照らして評価した。指標には、正解率、感度、特異度、陽性的中率、陰性的中率、F 1 スコアを用いた。受信者動作特性(ROC)曲線と決定曲線分析(DCA)も用いた。周術期相談の質は 5 つの側面で評価した。正確性、網羅性、一貫性、安全性、頑健性である。
結果:3 つの基盤モデルのいずれでも、PancreaGuide を組み込むと分類指標の点推定値が高くなった。CT 報告書からの切除可能性関連情報の解釈では、Gemini+ の正解率が最も高かった。正解率は 87.4%(95% 信頼区間 0.840〜0.902)、感度は 95.9%(95% 信頼区間 0.927〜0.978)だった。PancreaGuide を組み込むと、すべてのモデルで感度と特異度の推定値が改善した。モデルが生成した解釈と、実際の外科的管理状況との一致も改善した。手術に基づく代替参照基準のもとでの ROC と DCA では、識別能と推定純便益の改善が示唆された。周術期相談では、PancreaGuide を組み込んだモデルの専門家評価点が、5 つの側面のいずれでも対応する基本モデルを上回った。総合点が最も高いのは Gemini+(平均 3.88、標準偏差(SD)0.38)だった。ChatGPT+(平均 3.8、SD 10.36)、DeepSeek+(平均 3.75、SD 0.35)が続いた。改善が最も大きかったのは網羅性と頑健性である。臨床相談の各領域で一貫した向上がみられた。
結論:複数の LLM を基盤として利用できる。臨床医の監督のもとで、CT 報告書から切除可能性に関わる情報を読み取る作業と、周術期の情報提供を支援する。CT に基づく結果は、実際の外科的管理状況との一致を示すものとして解釈すべきである。独立に判定された解剖学的な切除可能性に照らして検証したものではない。PancreaGuide は、情報の解釈を補助する枠組みとして役立つ可能性がある。臨床情報の伝わりやすさと一貫性を高められる可能性がある。ただし、正式な放射線学的評価、多職種による評価、臨床医の判断に代わるものではない。
掲載誌の IF 相当:11.8(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:Kuang T, Wang R, Zhang S, Sun Y, Zhou J, Wu Z, et al. PancreaGuide for Computed Tomography Report Interpretation and Perioperative Consultation in Pancreatic Cancer: Development and Retrospective Evaluation of a Knowledge-Augmented Large Language Model Agent. J Med Internet Res. 2026 Nov 9;28:e101607-e101607. doi:10.2196/101607.確認の範囲:抄録のみ確認 - An Explainable Multimodal Deep Learning Framework for Early Pancreatic Cancer Prediction from Imaging and Clinical Data抄録(全訳)
膵がんの治療計画を効果的に立てるには、早期予測と多段階の診断分類が欠かせない。分類は AJCC TNM 病期分類の基準に沿い、正確である必要がある。深層学習(DL)の手法は有望な結果を示しているが、その予測を解釈するのはまだ難しい。本研究は、Squeeze-and-Excitation Visual-Efficient Tabular Network(SE-VETNet)を提案する。SE-VETNet は解釈可能なマルチモーダル DL フレームワークである。医用画像と臨床データを使い、膵がんの早期予測と多段階の診断分類を行う。画像の処理には、Visual Geometry Group(VGG)と EfficientNet のアーキテクチャを組み合わせた。両者には、特徴を再較正する Squeeze-and-Excitation(SE)ブロックを加えた。臨床特徴の抽出には Tabular Network(TabNet)を使う。注意機構は、関連する腫瘍の特徴と臨床属性を特定する。処理パイプラインには、最適化したものを用いる。これにより、画像の細部と臨床データの完全性を保ちながら、計算効率を高める。クラス不均衡に対しては、訓練データに限って均衡化を行った。5 分割交差検証で頑健に評価し、生じうるバイアスを最小限にした。実験では、すべての分割で一貫した性能が得られた。5 つの診断群(健常と T1〜T4)での平均テスト正解率は 99.21% で、ばらつきは小さかった。さらに、説明可能な人工知能(XAI)の手法から、画像と臨床の特徴がそれぞれどう寄与するかの知見が得られる。画像側には勾配重み付きクラス活性化マッピング(Grad-CAM)を用いた。Grad-CAM の結果は、専門家による正解マスクと Intersection over Union(IoU)で照合し、定量的に検証した。臨床の特徴については、TabNet の注意を用いた。SE-VETNet は、マルチモーダル学習、頑健な評価、説明可能性を統合している。早期膵がんの予測、多段階の病期分類、透明な臨床意思決定に向けた有望な手法である。ただし、独立した多様な臨床データセットでの検証がまだ必要である。汎化性を確立し、実際の導入に向くかどうかを評価するためである。
掲載誌の IF 相当:3.5(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:AbdelAziz NM, Fawzy AM, Shehata EK, AbdelHafeez MM. An Explainable Multimodal Deep Learning Framework for Early Pancreatic Cancer Prediction from Imaging and Clinical Data. Sci. 2026 Nov 9;8(11):360. doi:10.3390/sci8110360.確認の範囲:抄録のみ確認
前立腺がんの治療・治験とAI
- Radiomics-Based Prediction of Bone Metastases from Baseline Prostate MRI in Prostate Cancer: A Systematic Review and Critical Appraisal抄録(全訳)
序論:前立腺がんでは、診断時に骨転移があるかどうかで、根治的治療か全身療法かが決まる。しかし、詳しい病期診断に回すかどうかは、不完全なリスク層別化に頼っている。この問題に対して、磁気共鳴画像(MRI)のラジオミクスが提案されている。日常的に撮影する病期診断画像から、転移の有無を予測する方法である。
方法:本システマティックレビュー(PROSPERO CRD420261463568)では、PubMed、Embase、Cochrane CENTRAL を検索した。対象は、前立腺 MRI から骨転移の有無を予測するモデルの研究である。モデルの種類はラジオミクス、深層学習、その両者を組み合わせたハイブリッドである。評価したのは次の四点である。臨床予測因子を超える上乗せの価値、報告の完全性、ラジオミクスの方法論、バイアスのリスクである。
結果:対象は 1240 例で、うち 491 例に骨転移があり、すべて中国の研究であった。主な検証推定値に寄与したのは 322 例だった。臨床とラジオミクスを組み合わせたモデルの検証での受信者動作特性曲線下面積(AUC)は、内部検証で 0.893〜0.920、外部検証で 0.903 だった。最も高い推定値(0.928)は、臨床予測因子を含まないマルチモーダルモデルによるものだった。臨床因子だけのモデルと組み合わせモデルを比べた研究は 2 件だけだった(AUC の上乗せは 0.060 と 0.081)。
結論:報告された識別能は総じて高かった。しかし現時点のエビデンスでは、ラジオミクスが日常の臨床予測因子に価値を上乗せするとは確かめられない。これらのモデルは、検出の道具ではなく予測バイオマーカーとして捉えるのが最も適切である。通常の病期診断の基準に満たない患者で、トリアージに役立つかどうかはまだ検証されていない。今回の研究の高有病率コホート以外にも当てはまるかどうかは、証明されていない。臨床で使う前に、前向きの多施設検証が必要である。
掲載誌の IF 相当:4.9(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:Clausen NA, Temperley HC, Mulhall CB, Curtain BMM, McLoughlin LC, Kelly ME, et al. Radiomics-Based Prediction of Bone Metastases from Baseline Prostate MRI in Prostate Cancer: A Systematic Review and Critical Appraisal. BioTech. 2026 Nov 8;15(5):102. doi:10.3390/biotech15050102.確認の範囲:抄録のみ確認 - Multi-criteria drug ranking for prostate cancer using graph-theoretic descriptors and fuzzy machine learning with MARCOS decision analysis.抄録(全訳)
前立腺がんは、世界の男性で最も多く、最も危険な悪性腫瘍の一つである。そのため、治療薬を評価して順位を付けるには、体系的で数学的に厳密な方法が必要である。本研究では、グラフ理論に基づく分子記述子、ファジィ機械学習、ファジィ多基準意思決定を組み合わせた計算モデルを構築し、前立腺がん治療薬の解析と順位付けを行った。このモデルは、グラフ理論に基づく分子記述子、ファジィ機械学習、ファジィ多基準意思決定を組み合わせたものである。
選んだ前立腺がん治療薬の分子グラフを離心率(eccentricity)に基づいて分割し、一連のトポロジカル指数を求めた。これらの指数は構造上のフィンガープリントにあたる。各薬物分子の形と結合のつながりを、数学的に正確に表している。
候補薬の物理化学的性質の予測には、2 つのファジィ機械学習モデルを使った。ファジィランダムフォレスト(Fuzzy RF)とファジィ人工ニューラルネットワーク(Fuzzy ANN)である。どちらのモデルも、学習の過程にファジィ論理を組み込んでいる。ファジィ論理を学習に組み込むことで、分子の物性データがもつ不確実性を効果的にとらえ、正確で信頼できる予測が得られた。この点は従来の(ファジィでない)基準モデルとの比較で確かめた。この点は、従来の(ファジィでない)ベースラインモデルとの比較で確かめた。
続いて、予測した物理化学的性質と計算したトポロジカル指数を、有効なファジィ多基準意思決定手法である Fuzzy MARCOS(Fuzzy Measurement of Alternatives and Ranking based on the Compromise Solution)で解析した。Fuzzy MARCOS は、ファジィ多基準意思決定の有効な手法である。この方法では、すべての候補薬を、理想点と反理想点という 2 つの基準点と同時に比べる。これにより、不確実性を考慮した順位付けができる。この手法は、全候補薬を理想点と反理想点の両方に同時に照らして比べ、不確実性を考慮した順位を導く。構造と物理化学的性質の両面から、各候補薬に in silico で客観的な優先順位が付く。
提案した統合モデルは、前立腺がん治療薬の評価に対し、明確で一貫し、数学的にも裏付けのある土台を与えることが示された。この土台は、製薬分野の研究者や臨床の意思決定者に役立ちうる。
掲載誌の IF 相当:3.1(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:Ahmed W, Raza A, Zaman S, Abbas M, Ali P. Multi-criteria drug ranking for prostate cancer using graph-theoretic descriptors and fuzzy machine learning with MARCOS decision analysis. Computational Biology and Chemistry. 2027 Feb;126:109499. doi:10.1016/j.compbiolchem.2026.109499.確認の範囲:抄録のみ確認
脳腫瘍の治療・治験とAI
- Survival Prediction from Public Brain Metastasis MRI Cohorts: A Positive-Control and Permutation-Based Feasibility Evaluation抄録(全訳)
脳転移の公開 MRI コホートは、予後モデルの構築に広く使われている。しかし、使える症例数でそのエンドポイントを識別できるかどうかは、ほとんど検証されていない。
本研究では、2 つの公開コホートで 8 つの臨床エンドポイントを評価した。対象は Yale/BraTS-MET(199 例、うち死亡 74 例)と OpenBTAI/MOLAB(75 例、全例死亡)である。特徴量には、病変を中心に切り出した nnU-Net エンコーダの埋め込みと、PyRadiomics の特徴量を用いた。解析では、患者単位でまとめた交差検証と、ラベルの並べ替え(permutation)を行った。
陽性対照には、患者単位のテント下への病変の関与を用いた(バランス精度 0.60)。Graded Prognostic Assessment(GPA)スコアは、OpenBTAI のラジオミクスから推定できた(ρ = 0.42)。一方、脳年齢はどちらのコホートでも推定できなかった。多重性を補正した後も有意だったエンドポイントは、原発腫瘍の種類だけであった(偶然の 1.3 倍)。
生存エンドポイントでは、臨床モデルでも、事前に計画したグラフモデルでも効果は見られなかった(C 指数 0.50、P = 0.49)。埋め込みを使った探索的な線形モデルでは C 指数 ≈ 0.58 だった(P = 0.07、未補正)。ただし、PyRadiomics の特徴量では、この結果を再現できなかった。進行はどの定義でも、ファミリーワイズの補正後に有意なものは残らなかった。
シミュレーションでは、検出力 80% を得るには、真の C 指数が約 0.68〜0.76 必要だった。したがって、生存で効果が見られなかったからといって、中程度の効果は否定できない。全例が死亡したコホートでは、GPA で生存を層別できなかった(P = 0.18)。改訂の作業中に見つかったデータ抽出の誤りは修正した。
掲載誌の IF 相当:4.3(OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF(Clarivate)ではない)書誌:Bao X, Wang J, Zhao X. Survival Prediction from Public Brain Metastasis MRI Cohorts: A Positive-Control and Permutation-Based Feasibility Evaluation. J Imaging. 2026 Nov 8;12(11):560. doi:10.3390/jimaging12110560.確認の範囲:抄録のみ確認 - Clinical-Radiomic Integration for Postoperative Glioma Recurrence and Survival Prediction抄録(全訳)
術後の磁気共鳴画像(MRI)には、神経膠腫の予後に関わる解剖学的特徴と組織の特徴が捉えられる。本研究では MU-Glioma-Post を用い、臨床および分子的な予測に対して、区画(compartment)ごとの画像特徴量がどの程度寄与するかを評価した。
ラジオミクスを使える患者は 187 例だった。最初に得られた術後 MRI(TP1)の後を予測の起点とした。180 日以内の再発・進行の予測には 111 例、365 日以内の死亡の予測には 114 例が適格だった。
モデルは、臨床情報のみ、ラジオミクスのみ、両者の統合の 3 種類のエラスティックネット・ロジスティックモデルを作った。評価には、入れ子の交差検証と、あらかじめ固定した内部ホールドアウトを使った。
再発では、統合モデルの受信者動作特性曲線下面積(AUROC)は、開発時の out-of-fold(OOF)で 0.742 だった。ホールドアウトでは 0.786(95% 信頼区間 0.562〜0.959)だった。画像だけの構成で最も成績が高かったのは形態(morphology)だった(OOF AUROC 0.724)。SHAP による特徴量の順位では、周りの非造影 FLAIR 高信号域の平坦度(flatness)が最上位だった。
探索的解析として、入れ子交差検証を繰り返し実施した。臨床予測因子に形状・体積・領域の有無の特徴量を加えると、再発の平均 AUROC は 0.743 から 0.794 に上がった。臨床予測因子にラジオミクス全体を組み合わせた場合は 0.747 だった。
死亡の判別では、主に臨床予測因子が効いていた。平均 AUROC は、臨床予測因子のみで 0.774、形態を加えると 0.777、ラジオミクス全体を加えると 0.768 だった。
これらの結果は、術後の形状が再発に関わる情報の有望な供給源であることを示している。また、形態の特徴量を臨床予測因子に絞って統合する方針も支持された。
掲載誌の IF 相当:7.1(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:Farokhi Nia S, Shafaie V, Movahedi Rad M. Clinical-Radiomic Integration for Postoperative Glioma Recurrence and Survival Prediction. Mach Learn Knowl Extr. 2026 Nov 8;8(11):372. doi:10.3390/make8110372.確認の範囲:抄録のみ確認
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
- Transvaginal ultrasound-based deep learning radiomics for preoperative identification of non-endometrioid endometrial carcinoma: A multicenter study.抄録(全訳)
目的:非類内膜型子宮内膜がん(NEEC)を術前に見分けることは、臨床的に重要である。非類内膜型の組織型は、リスク評価や治療計画に影響しうるため、術前の識別が臨床的に重要である。本研究は、NEEC を術前に識別するため、経腟超音波に基づく深層学習ラジオミクス(DLR)モデルを作り、外部で検証することを目的とした。
方法:11 施設から、病理学的に子宮内膜がんと確定した患者 663 例を後ろ向きに登録した。訓練コホートは 8 施設の 483 例で、NEEC が 161 例、類内膜型子宮内膜がん(EEC)が 322 例だった。独立した外部テストコホートは別の 3 施設の 180 例で、NEEC が 60 例、EEC が 120 例だった。 ラジオミクス特徴量は PyRadiomics で、深層学習特徴量は ResNet-101 で抽出した。機械学習の分類器を使い、ラジオミクスモデル、深層学習モデル、両者を組み合わせた DLR モデルを作った。評価には、受信者動作特性(ROC)解析、較正曲線、決定曲線分析、外部検証を用いた。
結果:3 つのモデルのうち、診断性能が最も高かったのは統合した DLR モデルだった。外部テストコホートで、DLR モデルの曲線下面積(AUC)は 0.837、正解率は 0.756、感度は 0.800、特異度は 0.733 だった。訓練コホートでも外部テストコホートでも、DLR モデルはラジオミクスモデルと深層学習モデルを上回った。
結論:経腟超音波に基づく DLR モデルは、NEEC を術前に識別する非侵襲的な手段になる可能性を示した。このモデルは、個別化した術前評価に補完的な情報を提供しうる。ただし、臨床で使う前に前向きの検証が必要である。
掲載誌の IF 相当:2.3(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:Liu X, Xiao W, Jia Y. Transvaginal ultrasound-based deep learning radiomics for preoperative identification of non-endometrioid endometrial carcinoma: A multicenter study. Clinical Imaging. 2027 Jan;141:110979. doi:10.1016/j.clinimag.2026.110979.確認の範囲:抄録のみ確認
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
この号では、新しい該当論文はありませんでした。
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。