AIとがん研究 ── 2026-11-17
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(2) · 肺がん(1) · 大腸がん(1) · 膵がん(0) · 前立腺がん(0) · 脳腫瘍(0) · 卵巣がん(0) · 子宮体がん(0) · 胃がん(1) · 肝臓がん(1) · 腎臓がん(1) · 膀胱がん(1)
希少癌: 腺様嚢胞癌(0)
がん一般の分子生物学の進展とAI
- Graph learning guided by regulatory and spatial contexts prioritizes natural compound-target pairs in digestive system cancers.抄録(全訳)
腫瘍の制御プログラム、細胞構成、空間的な配置はいずれも多様である。そのため、天然化合物の標的に優先順位を付けるのは難しい。そこで、空間文脈を扱う異種グラフニューラルネットワークのランカー SC-HGNN-Rank を作った。関係を区別するグラフ表現とランキング最適化を組み合わせ、化合物―標的の関連、転写制御、相互作用ネットワーク、単一細胞情報、空間情報をまとめて扱う。このモデルは、結腸腺がん(COAD)、肝細胞がん(LIHC)、胃腺がん(STAD)にまたがる候補軸 600 件を順位づけした。学習条件をそろえた評価では、参照順位とのスピアマン相関の平均は、がん種を一つ除く評価で 0.965、化合物群を除く評価で 0.967、標的群を除く評価で 0.976 だった。同じエンコーダで単純な目的関数を使った場合と比べ、複合ランキング目的関数は平均スピアマン相関を 0.049 高めた。一方、空間モジュールを外すと 0.147 下がった。モデルの順位と多層の証拠により、COAD ではケルセチン―CDK1/MYB―骨髄系細胞、LIHC では 4',5-ジヒドロキシフラボン(4',5-DHF)―AR/HDAC1―T/NK 細胞、STAD ではエリオジクチオール―HSP90AB1/HOPX―線維芽細胞を優先した。空間解析を広げ、発現量をそろえた対照遺伝子を置いて、標的の発現量とマッピングした細胞量との関連を調べた。細胞熱シフトアッセイと薬物親和性応答性標的安定性アッセイでは、化合物で処理した後に標的タンパク質の残存量が増えた。HCT116、JHH-6、MKN45 の各細胞で、化合物は生存率、コロニー形成、遊走細胞数、浸潤細胞数を減らし、アポトーシスを増やした。標的をノックダウンすると同様の増殖抑制の表現型が現れ、過剰発現させると化合物による効果は弱まった。これは、それぞれの反応に CDK1、AR、HSP90AB1 が関与することを支持する。付属の Explorer は、候補の検索、証拠の確認、データの書き出しに対応している。制御と空間の文脈を天然化合物の優先順位付けに組み込み、再利用できる手法と、実験で裏づけた候補を示した。いずれも、消化器がんにおける標的指向の薬理研究に向けたものである。
掲載誌の IF 相当:11.5(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:Jiang H, Zheng S, Yang C, Zhang X, Liu H, Bao Y. Graph learning guided by regulatory and spatial contexts prioritizes natural compound–target pairs in digestive system cancers. Pharmacol Res. 2026 Nov [Epub ahead of print]. doi:10.1016/j.phrs.2026.109767. PMID: 43035199.確認の範囲:抄録のみ確認 - LKMHCpan: Transformer-optimized HLA-I pseudo-sequences enhance neoantigen prediction for immunotherapy.抄録(全訳)
ペプチドと HLA クラス I の結合を正確に予測することは、腫瘍のネオ抗原を見つけ、個別化した免疫療法を進めるための基礎である。ここで示す LKMHCpan は、アレルを問わず使える予測モデルである。Transformer ネットワークで、主に α1、α2、α3 ドメインにある重要な 88 残基をアテンションにより統合し、HLA-I 擬似配列の表現を最適化する。LKMHCpan の適合率―再現率曲線下面積(PR-AUC)の平均は 0.93 だった。平均の PR-AUC は 0.93 で、学習していない HLA-I アレルにも頑健に当てはまり、11 アミノ酸より長いペプチドにも対応する。腫瘍ネオ抗原選択アライアンス(TESLA)のデータでは、免疫原性のあるネオ抗原の 94% を特定し、スコアと免疫原性の相関も強かった。LKMHCpan で求めたネオ抗原量は、免疫療法を受けた二つのコホート、すなわち転移性メラノーマ(n = 73)と肺がん(n = 309)で、臨床転帰を有意に層別化した。ネオ抗原量が多い患者では臨床的な有益性が見られた。未学習のアレルや、アミノ酸が 1 つ違うだけの HLA-I 変異体についても、結合モチーフを解読できる。この能力は、ペプチドと主要組織適合遺伝子複合体(MHC)の複雑な相互作用を解明する可能性を示す。LKMHCpan は、精密免疫療法でのネオ抗原の探索と予後評価に向けた、拡張しやすい枠組みである。
掲載誌の IF 相当:5.3(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:Li Q, Liu S, Yao M, Chen H, Yu Y, Zhang B, et al. LKMHCpan: Transformer-optimized HLA-I pseudo-sequences enhance neoantigen prediction for immunotherapy. iScience. 2026 Nov;29(11):118134. doi:10.1016/j.isci.2026.118134. PMID: 43034688.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
- 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
肺がんの治療・治験とAI
- A decentralized federated learning approach for predicting chemoradiotherapy response from multicenter whole-slide images.抄録(全訳)
目的:非小細胞肺がん(NSCLC)の全スライド画像(WSI)データは、施設や規制の壁があり、多施設で一か所に集めて共有するのが難しい。連合学習(FL)を使えば、生の WSI データを一か所に集めなくても、複数施設が共同でモデルを作れる。本研究では、進行 NSCLC の化学放射線療法への反応を予測するため、WSI にもとづく FL モデルを検討した。その性能を、集中型の深層学習(DL)モデルや臨床モデルと比べた。比較には多施設の外部検証コホートを使った。
方法:4 病院の患者 250 例から、WSI と対応する臨床データを集めた。WSI をもとに、集中型の DL モデルと FL モデルを作った。画像の小領域(パッチ)ごとの予測は、投票法で患者単位の結果にまとめた。さらに、臨床データからロジスティック回帰の臨床モデルを作った。すべてのモデルを、独立した二つの外部コホート(病院 C と病院 D)で評価した。5 分割交差検証からは、五つのモデルが得られた。性能は、これら五つのモデルの平均と 95% 信頼区間で示した。
結果:二つの外部検証コホートのどちらでも、WSI にもとづくモデルの性能は臨床モデルより一貫して高かった。FL モデルの性能は DL モデルと同程度だった。病院 C での正解率/曲線下面積(AUC)は、DL モデルが 0.68/0.64、FL モデルが 0.70/0.65 だった。臨床モデルは 0.58/0.58 だった。病院 D では、DL モデルが 0.68/0.68、FL モデルが 0.73/0.71 だった。臨床モデルは 0.61/0.59 だった。
結論:WSI を使う FL モデルの NSCLC の転帰予測の性能は、集中型の DL モデルと同程度だった。しかも、参加した各施設はデータを自施設に置いたままでよい。また、独立した外部検証コホートのいずれでも、性能は安定していた。この手法は、多施設の病理研究でモデルを共同開発するための実用的な方法となる。データの共有が制限される状況では、特に役立つ。
掲載誌の IF 相当:4.8(OpenAlex の直近 2 年の平均被引用数・2026-11-12 時点の値、2026-11-13 に取得。正式な IF(Clarivate)ではない)書誌:Liu Y, Pan Y, Tian Y, Zhang S, Liu Q, Qiu J, et al. A decentralized federated learning approach for predicting chemoradiotherapy response from multicenter whole-slide images. BMC Cancer. 2026 Aug 19;26(1):1422. doi:10.1186/s12885-026-16716-6. PMID: 43035727.確認の範囲:抄録のみ確認
大腸がんの検診・治療・治験とAI
- FADS1 serves as a candidate shared biomarker for metabolic dysfunction‑associated steatohepatitis related early‑onset colorectal cancer identified via machine learning and in vitro validation抄録(全訳)
最新の知見では、若年発症大腸がん(EO-CRC)と代謝機能障害関連脂肪肝炎(MASH)が関連している。ただし、この関連の分子機構は分かっていない。本研究では、MASH に関連する EO-CRC の進行と治療反応にかかわる主要なバイオマーカーを探した。関連する遺伝子は、発現変動遺伝子(DEGs)解析と重み付き遺伝子共発現ネットワーク解析(WGCNA)で抽出した。候補バイオマーカーは、44 種類の機械学習アルゴリズムで絞り込んだ。重要なバイオマーカーを絞り込むため、生存解析、発現プロファイリング、予後評価を組み合わせた。遺伝子の発現と機能は、単一細胞 RNA シーケンシング(scRNA-seq)のデータと in vitro 実験で確かめた。
edgeR パッケージと WGCNA で、共発現する遺伝子を得た。これらの遺伝子は、基質リモデリングと脂質代謝の経路に多く含まれていた。機械学習で候補バイオマーカーを七つ選んだ。このうち、疾患の予後と進行期に関係していたのは FADS1 だけだった。scRNA-seq と仮想ノックアウト実験から、腫瘍細胞の FADS1 は線維化と血管新生に関連することが分かった。さらに、定量的リアルタイム PCR(qRT-PCR)、ウエスタンブロット、免疫組織化学(IHC)染色で検証した。これらの検証により、FADS1 を共通バイオマーカーの候補として特定した。この結果は、腫瘍の基礎研究と臨床応用に向けた有望な理論的根拠となる。
掲載誌の IF 相当:3.3(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:Xia H, Hou Y, He X, Yu Q, Zhang X, Zhou Y. FADS1 serves as a candidate shared biomarker for metabolic dysfunction‑associated steatohepatitis related early‑onset colorectal cancer identified via machine learning and in vitro validation. Discov Onc. 2026 Nov 15 [Epub ahead of print]. doi:10.1007/s12672-026-06235-y.確認の範囲:抄録のみ確認
膵がんの治療・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。
前立腺がんの治療・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。
脳腫瘍の治療・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。
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
この号では、新しい該当論文はありませんでした。
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
肝臓がんの治療・治験とAI
- Development and internal validation of a machine learning model for predicting acute chemotherapy-induced nausea and vomiting after intra-arterial interventional therapy in patients with liver cancer.抄録(全訳)
目的:原発性肝がんの患者で、動注インターベンション治療(IAIT)後に起こる急性の化学療法誘発性悪心・嘔吐(ACINV)を予測する。そのために、解釈可能な機械学習モデルを開発し、内部検証する。
方法:ACINV は、24 時間以内に起きた悪心または嘔吐のうち、有害事象共通用語規準(CTCAE)でグレード 2 以上のものと定義した。患者を学習セット(n = 638)と、別に取り分けた内部検証セット(n = 424)に分けた。七つのアルゴリズムを、入れ子の層別 5 分割交差検証で比べた。外側の分割からは、アウトオブフォールド(OOF)予測を得た。内側の分割は、チューニングと閾値の選択に使った。欠測値の補完、エンコーディング、標準化と LASSO(least absolute shrinkage and selection operator)による変数選択は、各分割の学習用データだけで当てはめた。LASSO のペナルティを選ぶ分割の中でも、前処理を推定し直した。SMOTE は予測因子の選択後に、モデルを当てはめる分割の中だけで使った。アルゴリズムは、統合した OOF の曲線下面積(AUC)で順位を付けた。同順位のときはブライアスコアで決めた。選んだパイプラインは学習セット全体で当てはめ直し、内部検証セットで評価した。
結果:最終的な当てはめ直しで、予測因子が 11 個残った。統合 OOF AUC が最も高かったのはランダムフォレストで、0.941(95% 信頼区間 0.923〜0.958)だった。ブライアスコアは 0.092 だった。内部検証では、AUC は 0.962(95% 信頼区間 0.946〜0.978)、ブライアスコアは 0.073 だった。較正切片は -0.090、較正傾きは 1.056 だった。モデルの解釈には Shapley 加法説明(SHAP)解析が役立った。固定したモデルは、試作の計算ツールに組み込んだ。
結論:モデルは内部検証で有望な性能を示した。臨床で使う前に、外部検証と、前向きに臨床への影響を評価する研究が必要である。 試験登録:
掲載誌の IF 相当:2.8(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:Lu Y, Zheng R, Yu H, Yang X, Liu Y, Wang Y, et al. Development and internal validation of a machine learning model for predicting acute chemotherapy-induced nausea and vomiting after intra-arterial interventional therapy in patients with liver cancer. Asia Pac J Oncol Nurs. 2026 Dec;13:101040. doi:10.1016/j.apjon.2026.101040. PMID: 43034587.確認の範囲:抄録のみ確認
腎臓がんの治療・治験とAI
- Evaluating trends in treatment and outcomes of stage I renal cell carcinoma with machine learning: The RECLAIM-L (REnal cancer landscape and artificial intelligence with machine learning) database.抄録(全訳)
背景:限局性腎細胞がん(RCC)の治療選択は、ここ数年で大きく進歩した。
目的:臨床病期I期の RCC 患者について、臨床病理学的な特徴と治療成績を記述する。あわせて、術前・術後の複数の時点で生存転帰を患者ごとに予測する機械学習(ML)モデルを作る。
デザイン:単一施設の後ろ向き研究である。対象は、1990年7月〜2023年12月に臨床病期I期の RCC で治療を受けた患者とした。診断時に II〜IV 期の腎細胞がんだった患者、治療を受けなかった患者(積極的監視、基本的な支持療法のみなど)、データが不完全な患者は除外した。診断時に II〜IV 期だった患者、治療を受けなかった患者(積極的監視や基本的な支持療法のみなど)、データが不完全な患者である。
方法:extreme gradient boosting(勾配ブースティング)で ML モデルを作った。予測対象は、臨床病期I期 RCC の全生存期間(OS)、無再発生存期間(RFS)、がん特異的生存期間(CSS)、術後合併症である。生存の予測はコンコーダンス指数(C-index)で評価した。合併症の予測は、正確度の指標で評価した。
結果:1511例を解析した。生存転帰は近年のデータと同程度だった。傾向スコアマッチングで比べると、臨床病期I期の腫瘍では、根治的腎摘除術と腎部分切除術で周術期成績と生存転帰は同程度だった。ML モデルの C-index は次のとおりである。術前 OS で 0.722、術後 OS で 0.745、術前 RFS で 0.682、術前 CSS で 0.763、術後 CSS で 0.847 だった。術後合併症の予測では、感度は 79.0%、陽性的中率は 75.4% だった。
結論:三次医療機関で30年にわたる腎細胞がん診療のデータを用いた ML モデルは、妥当な予測力を示した。術前の説明や共同意思決定に役立ちうる。この予測は、手術の前後に患者の期待を調整するうえでも役立ちうる。 三次医療機関で30年にわたり蓄積した腎細胞がん(RCC)診療のデータから、機械学習モデルを構築した。このモデルは、臨床病期I期 RCC の生存転帰について頑健な予測力を示した。この予測は、術前の説明や、患者の期待の調整に役立ちうる。1511例を解析し、生存転帰は近年のデータと同程度だった。マッチングを行うと、根治的腎摘除術と腎部分切除術の周術期成績と生存転帰は同程度だった。機械学習モデルの予測精度は良好だった。
掲載誌の IF 相当:4.1(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:Fong KY, Gan VHL, Jonathan Aslim E, Tay KJ, Chen K, Tan YG, et al. Evaluating trends in treatment and outcomes of stage I renal cell carcinoma with machine learning: The RECLAIM-L (REnal cancer landscape and artificial intelligence with machine learning) database. Ther Adv Urol. 2026 Sep 29;18:17562872261473178. doi:10.1177/17562872261473178. PMID: 43036519.確認の範囲:抄録のみ確認
膀胱がんの治療・治験とAI
- Machine learning-based prediction of BCG NON-RESPONSE in high-risk NON-muscle-invasive bladder cancer: An exploratory single-centre cohort study.抄録(全訳)
背景:高リスクの筋層非浸潤性膀胱がん(NMIBC)では、BCG(カルメット・ゲラン桿菌)に反応しない患者がいる。日常の泌尿器科診療で、そうした患者を前もって見分けるのはまだ難しい。BCG は宿主の免疫系を働かせる。そのため、免疫応答の個人差が、治療前に測れる指標に表れている可能性がある。
目的:治療前の日常診療データを使い、12か月時点の BCG 不応を予測する探索的な機械学習(ML)モデルを評価する。
デザイン:単一施設の後ろ向き観察コホート研究である。
方法:トルコの1施設で、2019〜2024年に BCG 膀胱内注入療法を受けた NMIBC 患者114例を調べた。2021年の欧州泌尿器科学会(EAU)分類では、腫瘍はすべて高異型度で、患者はすべて高リスクだった。BCG 不応は次のように定義した。非筋層浸潤性膀胱がんの BCG 不応は、導入注入を5回以上受けた後の固定した12か月の期間内に、組織学的に確認された再発が生じることと定義した。初回の経過観察膀胱鏡検査は3か月目に実施した。予測因子の候補は14項目で、いずれも初回注入前に得られる情報とした。BCG 投与回数など、治療中や治療後に決まる変数は除いた。比較したモデルは、罰則付きロジスティック回帰、ランダムフォレスト、サポートベクターマシン(SVM)である。前処理はすべて、訓練用に分割したデータ内で当てはめた。性能は入れ子交差検証で評価した。結果は、検証用に分けたデータ(out-of-fold)での予測を合算した曲線下面積(AUC)で示した。95% 信頼区間はブートストラップ法で求めた。報告は STROBE と TRIPOD+AI に従った。
結果:33例(28.9%)が不応だった。再発のうち18例(54.5%)は高異型度だった。不応と関連したのは腫瘍の個数と大きさだった。個数の調整オッズ比は 2.701(95% 信頼区間 1.424〜5.122)だった。大きさの調整オッズ比は 10 mm あたり 1.309(95% 信頼区間 1.012〜1.693)だった。プール化した out-of-fold AUC が最も高かったのはランダムフォレストで、0.915(95% 信頼区間 0.841〜0.974)だった。次いで SVM(0.874)、罰則付きロジスティック回帰(0.703)の順だった。アウトカムを高異型度の再発に限ると、ランダムフォレストの識別能は 0.683〜0.754 に下がった。
結論:ML モデルは、12か月時点の BCG 反応例と不応例を識別できた。ただし、高異型度の再発では識別能がかなり低かった。症例数が限られ、外部検証も行っていないため、この結果は仮説を生む段階のものとみなすべきである。日常診療で使う前に、多施設での前向きな外部検証が必要である。 筋肉の壁まで広がっていない膀胱がんは、通常、まず腫瘍を切除する。そのあと BCG という薬で膀胱の中を洗う。BCG は免疫系を促し、残ったがん細胞を攻撃させる。BCG は多くの人に効くが、一部の患者では治療してもがんが再発する。そうした患者を前もって見分ける方法は、今のところない。 著者らは、トルコの1つの病院で2019〜2024年に治療を受けた114例の記録をさかのぼって調べた。全員が悪性度の高い腫瘍をもち、全員が BCG を受けた。がんが治療終了後の1年間に再発したかは、3か月ごとの膀胱の検査で確かめた。再発は114例中33例だった。 次に、データからパターンを学ぶコンピュータープログラムを使った。目的は、治療開始前に集めた情報で、再発しやすい人を前もって見分けられるかを調べることである。使った情報は、年齢、腫瘍の大きさや個数などの特徴、日常の血液検査の結果である。プログラムの検証は慎重に行い、常に結果を見せていない患者で確かめた。こうして確認したので、報告した性能は、プログラムが記憶した内容を繰り返しただけのものではない。 あるプログラムは、二つの群をかなりよく分けられた。しかし、より重い再発だけに絞ると、プログラムの性能はかなり落ちた。治療方針が変わるのは、この重い再発のほうである。再発したがんのほぼ半数は、最も悪性度の低いタイプだった。この最も悪性度の低いタイプは通常、より大きな治療ではなく、腫瘍の再切除で対処される。 この研究は小規模で、1つの病院のデータにもとづいている。ほかの施設でもまだ検証していない。そのため、これらのプログラムはまだ診療に使える段階にない。ただ、日常的に集めている情報に有用な手がかりが含まれている可能性を示唆している。複数の病院での大規模な研究で確かめる価値がある。
掲載誌の IF 相当:4.1(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:Şığva H, Sevim M, Körpe K, Atış V, Arslan V, Görür S, et al. Machine learning–based prediction of BCG NON-RESPONSE in high-risk NON-muscle-invasive bladder cancer: An exploratory single-centre cohort study. Ther Adv Urol. 2026 Sep 28;18:17562872261493691. doi:10.1177/17562872261493691. PMID: 43036513.確認の範囲:抄録のみ確認
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。