AIとがん研究 ── 乳がん ── 2026-11-17
乳がんの治療・治験とAI
- Development and Validation of an Interpretable Machine Learning Model for Predicting Postoperative Functional Exercise Adherence in Breast Cancer Patients: The Central Role of Illness Perception.抄録(全訳)
目的:乳がん患者では術後の機能訓練アドヒアランスが十分でない例が多く、看護の現場で効果的なリハビリテーションを妨げる大きな要因になっている。この研究の狙いは、術後の機能訓練アドヒアランスが低い患者を見つける解釈可能な機械学習モデルを作り、内部で検証することである。あわせて、モデルの分類に疾病認識がどれだけ寄与するかを調べ、リスクで層別したリハビリテーション看護の介入につなげることを目指した。
方法:安徽省の三次医療機関で、2024 年 1 月から 2026 年 1 月までに術後の乳がん患者 904 人を登録した横断研究である。参加者を 7:3 の比で学習用と内部検証用に無作為に分け、七つの機械学習モデルを作って評価した。特徴選択は LASSO、ハイパーパラメータの調整は Optuna で行い、10 分割交差検証を使った。機能訓練アドヒアランスと疾病認識スコアは、妥当性が確認された尺度で測った。最良のモデルの解釈には SHAP(Shapley additive explanations)を用いた。
結果:学習用データでは、患者の 59.4% が術後の機能訓練アドヒアランスが良好だった。年齢、体格指数(BMI)、放射線治療、術後期間、教育歴、疾病認識が独立した予測因子で、疾病認識の得点が高いほど不良のオッズは低かった(OR = 0.434)。疾病認識スコアが高いほど、アドヒアランス不良のオッズは低かった(OR = 0.434)。候補のモデルのうち、全体の性能が最も良かったのは LightGBM(Light Gradient Boosting Machine)だった。学習用データでの識別能と較正は良好で(AUC = 0.874、感度 = 0.819、特異度 = 0.723)、検証用データでも同程度だった(AUC = 0.839、感度 = 0.890、特異度 = 0.626)。SHAP による解析では、LightGBM モデルで最も影響が大きい特徴は疾病認識スコアだと分かった。SHAP 解析では、疾病認識の得点が LightGBM モデルで最も影響の大きい特徴であり、解釈可能なアドヒアランス分類に寄与していた。
結論:乳がん患者で術後の機能訓練のアドヒアランスが低い人を見分ける、解釈可能な機械学習モデルを開発し、内部検証した。疾病認識がモデルで最も影響の大きい特徴であり、アドヒアランスのスクリーニングやリスク層別のリハビリ看護で重要になりうる。乳がん患者の術後機能訓練アドヒアランスは、依然として十分ではない。アドヒアランス不良のリスクがある患者を見つけるため、解釈可能な予測モデルを開発した。疾病認識は、介入で変えられる重要な予測因子として浮かび上がった。このモデルは、早い段階でのリスク把握と、リスク層別のリハビリテーション看護に役立つ。
掲載誌の IF 相当:3.5(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-17 に取得。正式な IF(Clarivate)ではない)書誌:Yang G, Cui S, Wu J, Wu Z, Liu J, Fan B, et al. Development and Validation of an Interpretable Machine Learning Model for Predicting Postoperative Functional Exercise Adherence in Breast Cancer Patients: The Central Role of Illness Perception. Patient Prefer Adherence. 2026 Nov;Volume 20:1-18. doi:10.2147/ppa.s653378. PMID: 43036587.確認の範囲:抄録のみ確認 - Pre-Radiotherapy Risk Prediction of Grade ≥2 Radiotherapy-Induced Lymphopenia in Breast Cancer: A Single-Center Interpretable Machine Learning Study.抄録(全訳)
背景:放射線誘発リンパ球減少(RIL)は、乳がん患者で臨床的に意味のある血液毒性である。ただし既存の方法は線量パラメータや治療中の血液所見に頼ることが多く、放射線治療の前にリスクを早く見積もるのはまだ難しい。目的は、放射線治療前に日常的に得られる臨床・検査の変数を使い、乳がん患者でグレード 2 以上の RIL が起きるリスクを推定する解釈可能な機械学習(ML)モデルを作り、内部検証することである。
方法:2020 年から 2025 年までに泗陽病院で治療を受けた乳がん患者 167 人を後ろ向きに調べた。うち 56 人がグレード 2 以上の RIL だった。放射線治療前の日常的な 20 変数からあらかじめ選んだ 6 つの予測因子を使い、入れ子型 5 分割交差検証を 20 回繰り返し(内側の調整は 5 分割)、7 つのアルゴリズムを比べた。性能は、患者ごとの交差検証外予測の平均で評価した。最終モデルは SHAP(Shapley additive explanations)で解釈し、研究用の計算ツールとして実装した。照射範囲と線量パラメータは除いた。
結果:ランダムフォレストでは、受信者動作特性曲線下面積が 0.801(95% 信頼区間 0.722〜0.871)、適合率―再現率曲線下面積が 0.750(95% 信頼区間 0.647〜0.842)、Brier スコアが 0.159(95% 信頼区間 0.128〜0.193)だった。感度は 60.7%、特異度は 89.2% である。感度が中程度にとどまるため、グレード 2 以上の RIL が起きる患者を十分に拾い上げることはできない。最終モデルに入った変数は、年齢、好中球絶対数、リンパ球絶対数、単球絶対数、乳酸脱水素酵素、プレアルブミンである。
結論:内部で検証したこのモデルの識別能は中程度だった。予測因子を早い段階で絞り込むと性能が過大に見積もられる可能性があり、独立した外部検証が必要である。この計算ツールは研究用のものであり、臨床判断の根拠にはしない。
掲載誌の IF 相当:2.9(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-17 に取得。正式な IF(Clarivate)ではない)書誌:Ding L, Qiu H, Wang M, Lu Y, Huang T, Wang Y, et al. Pre-Radiotherapy Risk Prediction of Grade ≥2 Radiotherapy-Induced Lymphopenia in Breast Cancer: A Single-Center Interpretable Machine Learning Study. Int J Gen Med. 2026 Nov;Volume 19:1-13. doi:10.2147/ijgm.s655604. PMID: 43032615.確認の範囲:抄録のみ確認