AIとがん研究 ── 2026-11-19
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(0)
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(2) · 大腸がん(2) · 膵がん(1) · 前立腺がん(0) · 脳腫瘍(2) · 卵巣がん(0) · 子宮体がん(0) · 胃がん(1) · 肝臓がん(2) · 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
この号では、新しい該当論文はありませんでした。
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
- 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
肺がんの治療・治験とAI
- A Meta-Research Review of Statistical Practices for Image-Reliant AI Tools Predicting Lung Cancer Outcomes抄録(全訳)
肺がんの臨床判断を支えるため、医用画像を使う AI モデルの提案が増えている。そのため、こうしたモデルの方法論の厳密さと透明性を評価する必要がある。著者らは、横断的なメタリサーチ・レビューを行った。目的は、モデルがどう開発・評価・報告されているかを調べ、統計のベストプラクティスとの差を特定することである。対象は、OpenAlex に索引付けされた研究(2023 年 1 月 1 日〜2025 年 6 月 30 日)とした。そのうち、肺がんのリスク予測・検出・予後予測のための画像ベース AI ツールを開発した研究を選んだ。
組み入れ基準を満たした研究は 36 件であった。大半の研究は畳み込みニューラルネットワークを使っていた(27 件、75%)。最も多く報告された評価指標は曲線下面積(AUC)であった(29 件、81%)。何らかの不確実性の定量化を報告した研究は 23 件(64%)あった。ただしその多くは、全体の性能指標(AUC、感度、正確度など)の信頼区間を示すだけであった。個々の予測やリスクの水準での不確実性は示されていなかった。よく見られた限界は 3 つあった。外部テストセットの利用の少なさ(14 件、39%)、サブグループ解析の不足(10 件、28%)、確立した予測モデル報告ガイドラインへの準拠の乏しさである。
総じて、今後の研究では、報告の標準化、外部テストセットの利用、臨床的に重要な部分集団ごとの性能評価を優先すべきである。AI による予測モデルの性能は高まり続けている。一方で、研究デザイン・評価・報告の方法はまちまちである。この状況から、この分野でより厳密で透明な方法論の基準を早急に取り入れる必要がある。(資金提供:Yale School of Public Health)
掲載誌の IF 相当:27.2(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-18 に取得。正式な IF(Clarivate)ではない)書誌:Hou Y, Ward T, Yang CH, McGrath S, Jernigan E, Caturegli G, et al. A Meta-Research Review of Statistical Practices for Image-Reliant AI Tools Predicting Lung Cancer Outcomes. NEJM AI. 2026 Nov 16 [Epub ahead of print]. doi:10.1056/aira2600064. PMID: 43037489.確認の範囲:抄録のみ確認 - Development of an automated machine learning classifier for chronic obstructive pulmonary disease in non-small cell lung cancer patients using electronic health records.抄録(全訳)
背景:慢性閉塞性肺疾患(COPD)は、非小細胞肺がん(NSCLC)患者の 40〜60% にみられる。しかし診断も治療も行き届かないことが多く、不良な転帰の一因となっている [1]。
方法:NSCLC 患者 4,604 例を対象に、後ろ向きコホート研究を行った。COPD 診断の参照基準は、手作業によるカルテレビューとした。レビューは GOLD(慢性閉塞性肺疾患のためのグローバルイニシアチブ)の基準に基づき、開発セット(DS、600 例)とテストセット(TS、294 例)で実施した。予測因子の選択には、LASSO(least absolute shrinkage and selection operator)ロジスティック回帰を用いた。二値の分類器を作るため、ロジットの閾値を 2 つ選んだ。1 つは COPD の特定に用いる、特異度 95% 以上の品質改善用閾値(QIT)である。もう 1 つは Youden 指数に基づく閾値(YT)で、生存解析と、画像上の肺気腫との関連の評価に用いた。
結果:分類器の受信者動作特性曲線下面積(AUC)は、DS と TS のいずれでも 0.93 であった(95% 信頼区間はそれぞれ 0.91〜0.95、0.91〜0.96)。QIT のロジットのカットオフ値は、DS で 0.9242 以上、TS で 0.9625 以上であった。感度はそれぞれ 69% と 72%、特異度は 95% と 96% であった。陽性的中率(PPV)は 93%、陰性的中率(NPV)は 77% と 80% であった。 COPD の可能性がある例の有病率は、DS で 48%、TS で 46% であった。未治療の可能性がある例の割合は、DS で 41%、TS で 46% であった。QIT 分類器は、COPD の可能性がある例を DS で 69%、TS で 72% 特定した。未治療の可能性がある例については、DS で 40%、TS で 50% を特定した。PPV は DS で 85%(95% 信頼区間 73〜93%)、TS で 86%(95% 信頼区間 71〜95%)であった。YT では、感度と特異度がいずれも 88% であった。 Cox 比例ハザードモデル(4,501 例、死亡 1,959 例)では、YT による COPD 判定(YT-COPD)が死亡率の上昇と関連した。この関連は、臨床病期による有意な効果修飾を受けていた(P = 0.003)。病期別の YT-COPD のハザード比は次のとおりである。 - I 期:ハザード比 1.71(95% 信頼区間 1.30〜2.44、P < 0.001) - II 期:ハザード比 1.72(95% 信頼区間 1.15〜2.59、P = 0.009) - III 期:ハザード比 1.67(95% 信頼区間 1.34〜2.08、P < 0.001) - IV 期:ハザード比 1.29(95% 信頼区間 1.15〜1.44、P < 0.001) さらに、分類器が予測した COPD(YT)は、画像上の肺気腫と強く関連した(P < 0.001)。
結論:これにより、NSCLC で COPD の可能性がある例と、未治療の COPD の可能性がある例を特定できる。予後に関する妥当性も備え、拡張しやすく低コストな品質改善や研究に活用できる可能性がある。広く導入する前に、ほかの施設や電子カルテ(EHR)システムでの外部検証が必要である。
掲載誌の IF 相当:3.4(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Halawa AR, Robles SE, Ferguson J, Young C, Sainz PV, Lu SC, et al. Development of an automated machine learning classifier for chronic obstructive pulmonary disease in non-small cell lung cancer patients using electronic health records. BMC Pulm Med. 2026 Aug 21;26(1):573. doi:10.1186/s12890-026-04448-z. PMID: 43040280.確認の範囲:抄録のみ確認
大腸がんの検診・治療・治験とAI
- Noninvasive imaging-based assessment of homologous recombination deficiency for risk stratification and adjuvant chemotherapy guidance in colorectal cancer: a multicenter study抄録(全訳)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:Lei X, Wang R, Li Z, Zhang R, Chen B, Zhou K, et al. Noninvasive imaging-based assessment of homologous recombination deficiency for risk stratification and adjuvant chemotherapy guidance in colorectal cancer: a multicenter study. J Transl Med. 2026 Nov 16 [Epub ahead of print]. doi:10.1186/s12967-026-09237-0.確認の範囲:抄録のみ確認
- AI-driven multi-omics integration and virtual screening identify UFC1 as a druggable effector in chemotherapy-stressed colorectal cancer.抄録(全訳)掲載誌の IF 相当:9.8(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)
膵がんの治療・治験とAI
- Dual-Magnification Deep Learning Predicts KRASG12D Status from H&E Images of Pancreatic Cancer: A Multi-Cohort Study抄録(全訳)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、2026-11-18 に取得。正式な IF(Clarivate)ではない)書誌:Ma D, Sano T, Nishikubo H, Furukawa Y, Uchiyama K, Imanishi D, et al. Dual-Magnification Deep Learning Predicts KRASG12D Status from H&E Images of Pancreatic Cancer: A Multi-Cohort Study. Genes. 2026 Nov 15;17(11):1432. doi:10.3390/genes17111432.確認の範囲:抄録のみ確認
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
- Deep learning MGMT promoter methylation status prediction in IDH-wildtype glioblastoma using multiparametric MRI: Benchmark vs. real‑world performance.抄録(全訳)掲載誌の IF 相当:2.1(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-18 に取得。正式な IF(Clarivate)ではない)
- QSVQ-Net: A morphology-conditioned spiking–variational quantum network for interpretable brain tumour MRI classification抄録(全訳)
磁気共鳴画像(MRI)から脳腫瘍を正確に、しかも根拠が分かる形で分類することは、治療計画の中心となる。ただ、性能の高い深層学習モデルは、確率の較正(キャリブレーション)が不十分なことが多い。単一のデータセットを超えて検証されることも、ほとんどない。
QSVQ-Net は、量子計算と古典計算を組み合わせた枠組みである。EfficientNet-B0 と複素数値スパイキングニューラルネットワークを、形態で条件づけた変分量子回路に結合する。この回路では、18 個の形態・ラジオミクス記述子が、学習可能な写像を通じて量子ビットの回転を定める。
評価項目は次のとおりである。評価は、信頼区間付きの 5 分割交差検証、較正、シードをそろえた複数回のアブレーション、回路自体の特性評価からなる。さらに、マスクなしで推論するための補助的な病変位置推定と、古典的な基準モデルと比べる外部検証も行った。
BRISC-2025 のテスト区分では、QSVQ-Net の正解率は 98.8%、期待較正誤差は 0.006 だった。5 分割交差検証では 99.48%(95% 信頼区間 98.91〜100.0)だった。EfficientNet-B0(99.57%)とは統計的に区別できなかった(対応のある t 検定、P = 0.59)。
量子部分の性能は、パラメータ数をそろえた古典的な対照と、信頼区間が重なる範囲だった。そのため著者らは、量子による正解率の優位性は主張していない。
マスクのない独立したデータセットでは、QSVQ-Net の正解率は 72.6% に下がった。古典的な基準モデルは 90〜93% を保った。この限界の原因を、形態情報の分岐にたどった。
このように QSVQ-Net は、再現可能で、特性を透明に示した量子・古典の設計を提供する。あわせて、形態で条件づけた量子符号化が役立つ場面と役立たない場面を、率直に示す。
掲載誌の IF 相当:5.9(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:Abinash P, Krishnamoorthy N. QSVQ-Net: A morphology-conditioned spiking–variational quantum network for interpretable brain tumour MRI classification. Sci Rep. 2026 Nov 16 [Epub ahead of print]. doi:10.1038/s41598-026-76936-5.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
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
- Multichannel Deep Learning Radiomics for Predicting Chemoimmunotherapy Response in Gastric Cancer: Multicenter Validation and Chemotherapy-alone Specificity Assessment.抄録(全訳)
背景と目的: 局所進行胃がん(LAGC)で、術前化学免疫療法(NACI)による病理学的有意奏効(PSR)を予測するモデルを作り、検証することを目的とした。モデルはコンピュータ断層撮影(CT)画像を用い、多チャネルの深層学習とラジオミクスを統合する。あわせて化学療法単独のコホートでも試し、モデルが免疫療法に関連する表現型を特異的に捉えているかを調べた。
方法:多施設の研究で、LAGC 患者 455 人を対象とした。411 人は NACI を受けた患者で、学習用、内部検証用、外部テストセット 1 に分けた。残る 44 人は化学療法単独を受けた患者で、テストセット 2 とした。 三次元(3D)のセグメンテーションから、横断・冠状・矢状の各断面で最大のスライスを取り出した。これらを 3 チャネルの入力として重ね、事前学習済みの ResNet50 で深層特徴を抽出した。ラジオミクス特徴は 3D の体積から抽出した。 特徴を融合し、LASSO(最小絶対値収縮選択演算子)で絞り込んだ。そのうえでサポートベクターマシンでモデル化し、深層学習ラジオミクス(DLR)シグネチャーを作った。統合モデルには、さらにミスマッチ修復の状態、PD-L1 の複合陽性スコア、腫瘍グレードを加えた。 性能は曲線下面積(AUC)、較正、決定曲線解析で評価した。解釈のために SHAP を併用した。
結果:多チャネルモデルは単一断面のモデルより性能が高かった(AUC 0.783、0.749、0.706)。AUC が最も高かったのは DLR モデルである(0.827、0.802、0.776)。ラジオミクスのみのモデル(0.756、0.712、0.691)と、多チャネルの深層モデルを上回った。重要なのは、化学療法単独のコホートで AUC が 0.597 に低下したことである。SHAP により、特徴の寄与を全体と個別の両面で示せた。
結論:多チャネル DLR モデルは、LAGC で NACI への PSR を正確に予測する。化学療法単独のコホートでは性能が大きく下がった。このことから、モデルが捉えた画像表現型は、一般的な化学療法への感受性よりも、免疫療法に関連した奏効と結びついている可能性がある。治療前の層別化に使える、非侵襲で解釈可能なツールとなる可能性がある。
掲載誌の IF 相当:3.5(OpenAlex の直近 2 年の平均被引用数・2026-11-04 時点の値、2026-11-05 に取得。正式な IF(Clarivate)ではない)書誌:Ran C, Wang C, Chu G, Kong D. Multichannel Deep Learning Radiomics for Predicting Chemoimmunotherapy Response in Gastric Cancer: Multicenter Validation and Chemotherapy-alone Specificity Assessment. Acad Radiol. 2026 Nov [Epub ahead of print]. doi:10.1016/j.acra.2026.10.035. PMID: 43039808.確認の範囲:抄録のみ確認
肝臓がんの治療・治験とAI
- Handcrafted and Semi-Automated Radiomics Models for Hepatic Arterial Infusion Chemotherapy: A Systematic Review Stratified by Monotherapy and Combination Regimens抄録(全訳)
背景・目的: 肝動注化学療法(HAIC)は、チロシンキナーゼ阻害薬、免疫チェックポイント阻害薬、経動脈的化学塞栓療法と組み合わせる例が増えている。ところが、HAIC 単独と多剤併用レジメンの一部としての HAIC を区別するラジオミクスモデルはまれである。本レビューでは、HAIC でのハンドクラフト型または半自動のラジオミクスモデルを、レジメン別に層別して検討した。
方法:PRISMA 2020(PROSPERO CRD420261487449)に従った。MEDLINE、Embase、Web of Science を 2026 年 11 月 6 日まで検索した。対象は、ラジオミクス特徴の抽出と機械学習の分類器を組み合わせ、奏効、生存、治療選択を予測した英語の研究とした。エンドツーエンドの深層学習研究は除外した。 研究は単独療法、併用レジメン、混在の三つに分類した。評価には Radiomics Quality Score、PROBAST+AI、METRICS を用い、結果は記述的に統合した。
結果:11 件の研究(患者 2032 人)を含めた。内訳は、単独療法が 5 研究、併用レジメンが 4 研究、レジメンが混在しているか分けられないものが 2 研究である。 検証、テスト、ブートストラップでの AUC は、単独療法の研究で 0.75〜0.90、併用レジメンの研究で 0.86〜0.97 だった。最も高い値(0.99)は、学習セットでの推定値だった。レジメンが不明確な 3 件の研究を除くと、差はさらに広がった。 外部検証を行ったのは 2 研究だけだった。データやコードを公開した研究はなかった。ほとんどの研究で、バイアスのリスクは高いか不明だった。
結論:ハンドクラフト型のラジオミクスモデルの判別能は高いが、方法論としてはまだ未熟である。併用レジメンで AUC が高いのは、腫瘍の種類、コホート、パイプラインの違いと交絡しており、HAIC に固有の効果を示すものではない。資金提供: なし。
掲載誌の IF 相当:6.1(OpenAlex の直近 2 年の平均被引用数・2026-11-07 時点の値、2026-11-08 に取得。正式な IF(Clarivate)ではない)書誌:Tan YZ, Temperley HC, O’Sullivan NJ, Gallagher D, Gillham C, Harrold E, et al. Handcrafted and Semi-Automated Radiomics Models for Hepatic Arterial Infusion Chemotherapy: A Systematic Review Stratified by Monotherapy and Combination Regimens. Cancers. 2026 Nov 15;18(22):3655. doi:10.3390/cancers18223655.確認の範囲:抄録のみ確認 - Machine learning-augmented Cox regression for evaluating adjuvant transarterial chemoembolization efficacy and predicting survival in hepatocellular carcinoma with satellite nodules following radical hepatectomy.抄録(全訳)
背景と目的: 肝細胞がん(HCC)では、切除後 5 年の再発率が今も 50〜70% である。衛星結節は、早期再発の独立した高リスク因子として確立している。この集団における術後補助の経動脈的化学塞栓療法(TACE)の効果は、大規模コホートで厳密に評価されていない。 そこで、根治的肝切除後に衛星結節が病理学的に確認された HCC 患者を対象とした。目的は次の二つである。術後補助 TACE の効果を定量することと、個々の患者の生存を予測する機械学習ベースのノモグラムを作ることである。
方法:後ろ向き・非無作為化の多施設コホート研究である。2015 年 1 月〜2024 年 3 月に根治的肝切除を受け、病理学的に衛星結節が確認された HCC 患者 273 人を登録した。 補助 TACE 群と根治切除のみの対照群への割り付けは、無作為ではなく、術後初回の外来で多職種チームと患者(または家族)が話し合って決めた。術後最初の外来受診時に、担当の多職種チームと患者(または家族)が共同で意思決定して決めた。 無再発生存期間(RFS)と全生存期間(OS)は、Kaplan-Meier 法とログランク検定で比較した。残る背景の不均衡を調整するため、1:1 の傾向スコアマッチングによる感度分析を行った(キャリパー 0.2 SD)。 共変量は、性別、年齢、BCLC 病期、肝硬変、HBV 感染、ALBI グレード、MVI、Edmondson 分類、衛星結節の多発性、切除の種類、切除断端とした。 独立した予後因子は、単変量と多変量の Cox 比例ハザード回帰で特定した。造影 CT を三次元の体積でセグメンテーションし、腫瘍周囲のデルタラジオミクススコア(peritumoral_delta_radscore)を算出した。 機械学習ベースの Cox モデルを 3 種類(XGBoost-Cox、Cox-LASSO、CoxBoost)作り、10 分割交差検証で評価した。指標は時間依存 AUC、決定曲線解析(DCA)、較正、一致指数(C-index)である。特徴の寄与は SHAP(SHapley Additive exPlanations)値で定量し、臨床用のノモグラムを作った。
結果:補助 TACE で、RFS と OS はいずれも大きく改善した。 全コホートでの RFS 中央値は、TACE 群 18.0 か月、対照群 10.6 か月だった(ログランク P < 0.001)。1 年 RFS 率は 72.8% 対 44.6%、2 年 RFS 率は 39.2% 対 8.8% だった。OS 中央値は TACE 群 36.5 か月、対照群 19.5 か月だった(ログランク P < 0.001)。3 年 OS 率は 53.6% 対 13.5% だった。 1:1 の傾向スコアマッチング後(n = 248、124 組)も、補助 TACE による生存上の利点は RFS と OS のいずれでも統計的に有意だった。RFS は中央値 18.0 対 9.8 か月(ログランク P < 0.001)、1 年 RFS 72.6% 対 42.7%、2 年 RFS 39.5% 対 9.7% だった。OS は中央値 36.9 対 22.9 か月(ログランク P < 0.001)、1 年 OS 100% 対 100%、3 年 OS 54.0% 対 16.1% だった。 多変量 Cox 解析では、治療群、女性、肝硬変、BCLC 病期、peritumoral_delta_radscore が、RFS と OS のいずれでも独立した予後因子だった。 3 種の機械学習モデルのうち、予測性能が最も高かったのは XGBoost-Cox である。時間依存 AUC(1/3/5 年)は、学習セット(n = 163、イベント 155)で 0.977/0.987/0.984 だった。独立したテストセット(n = 110、イベント 105)では、時間依存 AUC は 0.900/0.880/0.900 だった。XGBoost-Cox は、Cox-LASSO と CoxBoost を一貫して上回った。 SHAP 解析では、主な寄与因子は治療の割り付け、性別、BCLC 病期 C、peritumoral_delta_radscore の四つだった。これらを統合した 4 変数のノモグラムは、1 年、3 年、5 年の OS 予測で、優れた較正と正味の臨床的有用性を示した。
結論:根治的肝切除後の衛星結節を伴う HCC 患者で、補助 TACE は RFS と OS をいずれも有意に延長する可能性がある。XGBoost-Cox のノモグラムは、1 年、3 年、5 年の生存を個々の患者ごとに精度よく予測する。このノモグラムは、高リスク集団でエビデンスに基づく意思決定を支えるツールになりうる。 本研究は後ろ向き・非無作為化の研究であり、結果は前向きの多施設検証で確かめる必要がある。残る選択バイアスを抑えるため、検証には無作為化または傾向スコアで層別した設計を取り入れることが望ましい。
掲載誌の IF 相当:4.2(OpenAlex の直近 2 年の平均被引用数・2026-11-16 時点の値、2026-11-18 に取得。正式な IF(Clarivate)ではない)書誌:Wang Y, Li W, Han C, Cao J, Xu H, Ye Y, et al. Machine learning-augmented Cox regression for evaluating adjuvant transarterial chemoembolization efficacy and predicting survival in hepatocellular carcinoma with satellite nodules following radical hepatectomy. BMC Gastroenterol. 2026 Aug 20;26(1):764. doi:10.1186/s12876-026-05235-0. PMID: 43040233.確認の範囲:抄録のみ確認
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。