AIとがん研究 ── 胃がん ── 2026-11-17
胃がんの治療・治験とAI
- Interpretable machine learning for predicting immunotherapy response in gastric cancer via serum cytokine profiling and organoid co-culture platforms.抄録(全訳)
背景:免疫療法は、胃がんの有望な治療戦略となった。しかし、治療に反応するかどうかの予測はまだ難しい。著者らは、生物学的な知見にもとづく探索的な機械学習の枠組みを作った。胃がんに対する PD-1 阻害薬(PD-1i)中心の治療で、病理学的奏効を評価することが目的である。この枠組みでは、治療前後の血清バイオマーカーと臨床変数を統合する。候補サイトカインは、in vitro の共培養系の結果を参考に選んだ。この共培養系は、患者由来オルガノイド(PDOs)、がん関連線維芽細胞(CAFs)、T 細胞からなる。
方法:PD-1i を受けた患者 125 例のデータを解析した。免疫療法の前後に採った血清で、サイトカインを測った。作製に成功した 18 の PDOs-CAFs-T 細胞共培養モデルで、サイトカインをプロファイリングした。そこから候補サイトカインを七つ特定した。次に、125 例の臨床コホートのペア血清で、これらのサイトカインを測った。その値を臨床病理学的変数と合わせ、機械学習モデルを作った。結果変数には、腫瘍退縮グレード(TRG)を二値で用いた。腫瘍退縮が良好な患者と、不良または退縮なしの患者を区別するものである。予測モデルは、実験データと臨床データで学習させた。アルゴリズムには、CatBoost をはじめ複数の機械学習手法を使った。モデルの性能は、10 分割交差検証、受信者動作特性(ROC)、適合率-再現率(PR)曲線、決定曲線分析で評価した。特徴量の重要度は Shapley 加法説明(SHAP)で解釈し、決定木で可視化した。
結果:PDOs-CAFs-T 細胞共培養系でのサイトカインの変化傾向は、治療後の患者血清でみられた傾向とおおむね一致した。主要な予測因子を 10 個特定した。その中には、治療前後の最大径、ycT/ycN 病期、治療前または治療後のサイトカイン(IFN-α2、IL-2、IL-6、IL-8、MCP-1)が含まれる。内部テストセットで、調整後の CatBoost モデルの曲線下面積(AUC)は 0.845 だった。SHAP 解析では、最も影響が大きい特徴量は治療後の最大径とサイトカインのプロファイルだった。決定木を使うと、モデルを明快で解釈しやすい形で示せた。
結論:この枠組みは、胃がんの病理学的奏効を治療前後の時点で評価するためのものである。PDOs-CAFs-T 細胞共培養系は、候補サイトカインを選ぶうえで生物学的な背景を与えた。
掲載誌の IF 相当:6.2(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:Chen R, Geng T, Xiao P, Zhang Y, Wang X, Yu Z, et al. Interpretable machine learning for predicting immunotherapy response in gastric cancer via serum cytokine profiling and organoid co-culture platforms. Cancer Immunol Immunother. 2026 Aug 19;75(11):277. doi:10.1007/s00262-026-04509-6. PMID: 43035594.確認の範囲:抄録のみ確認