AIとがん研究 ── 乳がん ── 2026-11-19
乳がんの治療・治験とAI
- Transformer-based multimodal deep learning network for predicting postoperative bone metastasis in ER-positive/HER2-negative breast cancer: a multi-institutional retrospective study抄録(全訳)
乳がんの治療方針と術後管理を決めるには、正確なリスク層別化が欠かせない。転移の進行に関わる臨床・画像・病理組織のデータは、互いを補う情報を持つ。しかし単一モダリティのモデルでは、その情報を十分に生かせない。
本研究の目的は、エストロゲン受容体(ER)陽性・ヒト上皮成長因子受容体 2(HER2)陰性の乳がん患者で術後の骨転移を予測する BCBM-Net(Breast Cancer Bone Metastasis Network)を開発し、検証することである。BCBM-Net は Transformer を用いたマルチモーダル深層学習ネットワークである。
この研究は多施設共同の後ろ向き研究で、5 つの臨床施設から患者 1,240 例を組み入れた。患者は訓練コホート、内部テストコホート、独立した外部テストコホートに分けた。BCBM-Net は 3 種類の情報を統合する。選択した臨床病理学的変数、超音波(US)由来の特徴、ホールスライド画像(WSI)から抽出したパソミクス特徴である。モダリティごとの全結合エンコーダーで、非線形な表現を学習した。これにより、性質の異なる特徴を共通の潜在空間へ射影した。そのうえでマルチヘッドアテンションの Transformer を使い、特徴を適応的に融合した。
性能は、受信者動作特性(ROC)解析、DeLong 検定、純再分類改善度(NRI)解析で評価した。比較には、臨床、US、パソミクスの各単一モダリティモデルを用いた。
BCBM-Net の識別性能は、すべてのコホートで単一モダリティのモデルを一貫して上回った。ROC 曲線下面積(AUC)は、訓練セットで 0.873、内部テストセットで 0.866、外部テストセットで 0.855 であった。DeLong 検定と NRI 解析の結果も、マルチモーダル融合による予測の上乗せを支持した。
BCBM-Net は、日常診療で得られる臨床・US・病理組織の情報を有効に統合する。これにより、術後 5 年の骨転移リスクを患者ごとに評価できる。独立した外部施設でも、性能は一貫していた。この結果は、Transformer によるマルチモーダル融合ががんの予後予測に役立つことを支持する。BCBM-Net は、リスクに応じたサーベイランスと術後管理の実用的な枠組みになりうる。ただし臨床に導入する前に、前向きで多国間の検証が必要である。
掲載誌の IF 相当:7.9(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:Zhang Z, Huang G, Deng Z, Ouyang L, Wu Z, Zhang K, et al. Transformer-based multimodal deep learning network for predicting postoperative bone metastasis in ER-positive/HER2-negative breast cancer: a multi-institutional retrospective study. BMC Med. 2026 Nov 16 [Epub ahead of print]. doi:10.1186/s12916-026-05352-3.確認の範囲:抄録のみ確認 - MRI habitat radiomics with clinical features for prognosis prediction in HER2-low breast cancer: a multicenter study抄録(全訳)
HER2 低発現乳がんは、独自の生物学的特徴を持つ別のサブタイプとして扱われるようになった。ハビタットイメージングでは、腫瘍を画像上の表現型が異なる部分領域に分ける。これにより腫瘍内の不均一性を捉えられる。ただし、拡散強調画像(DWI)とダイナミック造影 MRI(DCE-MRI)から得たハビタットの予後予測上の価値を比べた研究はまだない。
本研究の目的は、HER2 低発現乳がんの無病生存期間(DFS)を予測するため、DWI と DCE のハビタット・ラジオミクスモデルを作り、両者を比べることである。
4 施設の患者計 401 例を後ろ向きに組み入れた。DWI と DCE の画像は、それぞれ独立に K-means 法で 3 つのハビタットに分けた。各ハビタットには、信号強度に応じて低(L)・中(M)・高(H)のラベルを付け直した。各ハビタットから、三次元のラジオミクス特徴を 107 個抽出した。モデルは、5 分割交差検証を伴う LASSO-Cox 回帰で構築した。性能は、C 指数、時間依存の曲線下面積(AUC)、Brier スコア、ログランク検定で評価した。
画像だけのモデルでは、DCE の高信号ハビタット(DCE_H)が最も良い性能を示した(C 指数 0.642、P = 0.033)。DCE_H モデルに臨床変数を加えると、入れ子交差検証での時間依存 AUC はわずかに高くなった(3 年 AUC 0.699→0.720、5 年 AUC 0.728→0.754)。ただし、この上乗せ分は対応のある比較で統計的に有意ではなかった(それぞれ P = 0.056、0.080)。標準的な多変量 Cox 回帰では、DCE_H の Sphericity(球形度)が DFS と関連することが示唆された。ハザード比は 0.067(95% 信頼区間 0.010〜0.520、P = 0.0096)であった。一方、臨床変数を含めた場合、DWI のハビタット特徴は LASSO で選ばれなかった。
DCE の高信号ハビタットのラジオミクス特徴、特に Sphericity は、HER2 低発現乳がんの DFS と関連していた。ただし、臨床変数への上乗せは小さく、統計的に有意でもなかった。DWI の特徴はほとんど上乗せしなかった。外部検証が必要である。本研究は中国臨床試験登録(ChiCTR2400085188、2024 年 6 月 3 日登録、http//www.chictr.org.cn/)に事後登録された。
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:Meng M, Liu C, Peng Y, Wang F, Huang R, Zhu M, et al. MRI habitat radiomics with clinical features for prognosis prediction in HER2-low breast cancer: a multicenter study. BMC Cancer. 2026 Nov 16 [Epub ahead of print]. doi:10.1186/s12885-026-17380-6.確認の範囲:抄録のみ確認