AIとがん研究 ── 2026-11-20
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(1)
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(0) · 肺がん(1) · 大腸がん(1) · 膵がん(0) · 前立腺がん(1) · 脳腫瘍(1) · 卵巣がん(0) · 子宮体がん(0) · 胃がん(0) · 肝臓がん(1) · 腎臓がん(1) · 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
- Bioinformatics and Machine Learning Identify Key Genes in Mitochondrial Homeostasis and Immune Infiltration in Metabolic Dysfunction-Associated Steatotic Liver Disease Progression.抄録(全訳)
背景:代謝機能障害関連脂肪性肝疾患(MASLD)は世界的に流行する代謝疾患となった。脂肪肝から進行した線維化、さらに肝細胞がんに至る進行性の肝障害の、主要な原因の一つとなっている。病変は脂肪化から始まり、進行した線維化、さらには肝細胞がんにまで至る。有病率は上昇しているが、MASLD の進行を促す分子機序はまだ十分に解明されていない。近年の知見から、ミトコンドリア恒常性の破綻と免疫細胞の異常な浸潤が病態形成に重要な役割を果たすことが示唆されている。しかし、MASLD でこの二つの過程がどう相互作用するのかは、まだ明確になっていない。両者の調節ネットワークについても同様である。
方法:MASLD の肝組織と正常肝組織のトランスクリプトームデータを、Gene Expression Omnibus(GEO)データベースから取得した。発現変動解析、重み付き遺伝子共発現ネットワーク解析(WGCNA)、コンセンサスクラスタリング、機械学習アルゴリズムを統合して用いた。これにより、MASLD でミトコンドリア恒常性に関連するハブ遺伝子を同定した。ハブ遺伝子の診断性能は、受信者動作特性(ROC)曲線で評価した。さらに免疫浸潤解析を行い、免疫微小環境の変化を調べた。ハブ遺伝子と浸潤免疫細胞との相関も検討した。
結果:ミトコンドリア恒常性に関わるハブ遺伝子として、ZFP1、ZNF446、KCND3、RNF152、OR13C9 の 5 つを特定した。これらの遺伝子は高い診断効率を示した。MASLD 群の免疫微小環境は対照群と異なっていた。MASLD 群では、活性化樹状細胞と骨髄由来抑制細胞の割合が高かった。ナチュラルキラー細胞の割合は低かった。ハブ遺伝子は免疫細胞の浸潤と有意に関連していた。
結論:本研究の結果から、MASLD の進行ではミトコンドリア恒常性が免疫微小環境の形成に重要な役割を担うことが、あらためて示された。特定したハブ遺伝子は、有望な診断バイオマーカーや治療標的の候補となる可能性がある。MASLD に対する精密な介入への新たな道を開くことも期待される。
掲載誌の IF 相当:1.9(OpenAlex の直近 2 年の平均被引用数・2026-11-17 時点の値、2026-11-19 に取得。正式な IF(Clarivate)ではない)書誌:Jiang S, Li H. Bioinformatics and Machine Learning Identify Key Genes in Mitochondrial Homeostasis and Immune Infiltration in Metabolic Dysfunction–Associated Steatotic Liver Disease Progression. Biomed Res Int. 2026 Nov 17;2026(1):8770857. doi:10.1155/bmri/8770857. PMID: 43041520.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
この号では、新しい該当論文はありませんでした。
肺がんの治療・治験とAI
- Machine learning-based differentiation of malignant and non-malignant pleural effusion in lung cancer patients: a multicenter retrospective study.抄録(全訳)
背景:悪性胸水(MPE)は肺がんでよくみられる合併症である。予後不良と関連し、臨床的負担も大きい。悪性胸水と非悪性胸水を見分けるのはまだ難しい。胸水細胞診や胸膜生検の確定結果が未着の場合、結論に至らない場合、遅れている場合は特に判別が難しい。本研究の目的は、肺がん患者の MPE を補助的に分類する機械学習モデルを開発し、検証することである。対象は、肺がんと診断され、腫瘍に関する病理・病期情報の一部が得られた後の患者とした。
方法:後ろ向きの多施設研究である。2 つの三次医療機関から、胸水のある肺がん患者計 715 例を組み入れた。山西コホート(長治医学院附属和平医院)は 420 例で、開発コホートとした。安徽コホート(銅陵市人民医院)は 295 例で、独立した外部検証コホートとした。開発コホートは、7:3 の比で訓練セットと内部テストセットに無作為に分割した。訓練セットは 295 例、内部テストセットは 125 例となった。臨床・検査・病理の変数を集めた。特徴量は、訓練セット内で LASSO(least absolute shrinkage and selection operator)回帰により選択した。7 種類の機械学習アルゴリズムでモデルを作り、評価した。モデルの性能は、受信者動作特性(ROC)曲線、較正解析、決定曲線解析で評価した。外部検証には、独立した安徽コホートを用いた。
結果:予測因子として、年齢、Ki-67 指数、リンパ節転移、腫瘍径、総コレステロール、血清アルブミンの 6 つを選んだ。内部検証では、複数の機械学習モデルが同程度の性能を示した。XGBoost モデルの曲線下面積(AUC)は、内部テストセットで 0.97、独立した外部検証コホートで 0.91 であった。訓練データから決めた判定閾値では、外部検証での感度は 0.35、特異度は 0.98 であった。全体の識別能は良好だが、除外診断の性能は限られることを示している。SHAP 解析からは、腫瘍量に関わる変数と全身状態がモデルの出力に大きく影響することが示唆された。
結論:肺がん患者の悪性胸水と非悪性胸水を補助的に分類する機械学習モデルを開発した。対象は、肺がんの診断がつき、腫瘍に関する病理や病期の情報が一部得られた後の患者である。外部検証では識別能は良好だった。ただし、訓練データから決めた判定閾値での感度は限られていた。このため、本モデルは補助ツールの候補としてのみ扱うべきである。臨床に導入する前に、前向きの多施設検証と再較正がさらに必要である。本モデルは、細胞診や組織病理による確定診断に代わるものではない。
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:Cai Q, Wu Y, Wang J, Gao Q, Xing Y, Kang M, et al. Machine learning–based differentiation of malignant and non-malignant pleural effusion in lung cancer patients: a multicenter retrospective study. BMC Cancer. 2026 Aug 21;26(1):1451. doi:10.1186/s12885-026-16755-z.確認の範囲:抄録のみ確認
大腸がんの検診・治療・治験とAI
- Machine learning pipeline for secretome biomarker discovery in colorectal cancer: from single-cell transcriptomics to functional validation.抄録(全訳)
大腸がん(CRC)には、信頼できるバイオマーカーと治療標的が必要である。本研究の目的は、CRC で診断・予後・がん抑制に関わる分泌タンパク質群(セクレトーム)関連遺伝子を見つけることである。とくに GUCA2B(ウログアニリン)に注目した。手法として、単一細胞トランスクリプトミクス、擬似バルク発現変動解析、機械学習(ML)、マルチオミクス、in vitro 機能試験(HCT-116 細胞)を組み合わせた。発現が低下した 850 遺伝子を対象に、4 つのアルゴリズムで ML のコンセンサス特徴量選択を行った。その結果、共通する 20 の特徴量が見つかった。このうち GUCA2B を含む 8 遺伝子は 4 モデルすべてで選ばれ、最終的なシグネチャーとなった。GUCA2B は CRC の上皮で大きく低下していた。8 遺伝子で固定したロジスティックモデルの見かけ上(訓練セット)の AUC は、TCGA-COADREAD で 0.998 であった。3 つの独立コホートでも識別能を保った(AUC = 0.881〜0.974)。GUCA2B の発現低下は、生存不良、プロモーターの高メチル化、免疫浸潤の変化と相関した。in vitro では、GUCA2B を再導入すると内因性経路のアポトーシスが誘導された(BAX 増加、BCL2 減少)。細胞の生存率も下がり、遊走能も落ちた。ただし、GC-C/cGMP への依存性は調べていない。GC-C/cGMP への依存性は検討していないため、これらの効果は受容体機序を特定しない概念実証にとどまる。
結論として、GUCA2B は上皮に限局する CRC バイオマーカーの候補であり、がん抑制遺伝子の候補でもある。固定した多遺伝子モデルは、診断の層別化に有望である。GUCA2B の再導入では、予備的ながらがん抑制活性が示された。ただし、探索セットは小さい(n = 23 の擬似バルク試料)。特徴量選択の安定性も中程度で、検証は 1 つの細胞株だけで行った。このため、結果は慎重に解釈する必要がある。診断や治療に応用する前に、前向きの臨床検証が必要である。複数のモデルを用いた in vivo 研究も必要である。
掲載誌の IF 相当:4.9(OpenAlex の直近 2 年の平均被引用数・2026-11-17 時点の値、2026-11-19 に取得。正式な IF(Clarivate)ではない)書誌:Samadi P, Maghool F, Nouri F, Jalali A. Machine learning pipeline for secretome biomarker discovery in colorectal cancer: from single-cell transcriptomics to functional validation. Naunyn-Schmiedeberg's Arch Pharmacol. 2026 Nov 18 [Epub ahead of print]. doi:10.1007/s00210-026-06059-1.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
- Predicting ISUP upgrading from biopsy to radical prostatectomy using an interpretable machine learning model with mpMRI-diagnosed prostatitis: a retrospective study.抄録(全訳)
前立腺がん患者の約 30%〜40% では、生検から根治的前立腺全摘除術(RP)にかけて、国際泌尿器病理学会(ISUP)グレードが上がる。このグレード上昇は、治療計画を損なうおそれがある。マルチパラメトリック MRI(mpMRI)を使うと、病変の性状を把握しやすくなる。しかし、前立腺炎に似た信号変化は臨床的に有意ながんと紛らわしく、画像の読影を混乱させうる。ただし、mpMRI で診断した前立腺炎を ISUP グレード上昇の変数として組み込んだ予測モデルは、これまでなかった。
本研究は単施設の後ろ向き研究で、連続する男性 503 例を登録した。対象者は、経会陰超音波ガイド下の「12+1」本系統的生検を受けた。生検は「12+1」コアの会陰式超音波ガイド下系統生検で、認知的 mpMRI 標的コアを追加した。その後、腹腔鏡下 RP を受けた(2021 年 5 月〜2024 年 10 月)。特徴量の選択には、10 分割交差検証による LASSO(least absolute shrinkage and selection operator)ロジスティック回帰を用いた。6 種類の機械学習分類器を訓練し、独立したテストセット(7:3 分割)で評価した。
ISUP グレードの上昇は 195 例(38.8%)にみられた。mpMRI で診断した前立腺炎は、上昇例で有意に多かった(27.2% 対 11.4%、P < 0.001)。重み付き総合スコアが最も高かったのはランダムフォレストモデルであり、受信者動作特性曲線下面積(ROC-AUC)は 0.823、平均適合率は 0.799 であった。このモデルを最終モデルとした。SHapley Additive exPlanations(SHAP)解析による特徴量の重要度は、次の順であった。腫瘍の前立腺底部の局在(平均 |SHAP| 0.145)、Prostate Imaging Reporting and Data System(PI-RADS)4 以上(平均 |SHAP| 0.121)、陽性コアの割合(平均 |SHAP| 0.100)、最大腫瘍径(平均 |SHAP| 0.062)、mpMRI で診断した前立腺炎(平均 |SHAP| 0.040)。
本モデルは、mpMRI で診断した前立腺炎を組み込んだ最初期のモデルの一つである。SHAP で解釈可能なこの枠組みにより、前立腺炎が PI-RADS スコアを超える予測価値を加えることが示された。生検でグレードを過小評価されるリスクの高い患者を見つける助けになる可能性がある。
掲載誌の IF 相当:2.8(OpenAlex の直近 2 年の平均被引用数・2026-10-21 時点の値、2026-10-22 に取得。正式な IF(Clarivate)ではない)書誌:Wang SY, Jin LC, Tian Z, Jia ZM, Li GZ, Chen X, et al. Predicting ISUP upgrading from biopsy to radical prostatectomy using an interpretable machine learning model with mpMRI-diagnosed prostatitis: a retrospective study. Asian J Androl. 2026 Nov 17 [Epub ahead of print]. doi:10.4103/aja202643. PMID: 43042515.確認の範囲:抄録のみ確認
脳腫瘍の治療・治験とAI
- A Supervoxel Graph-Transformer Framework for Lightweight and Interpretable Brain Tumor Segmentation from Multimodal Magnetic Resonance Imaging.抄録(全訳)
多モードMRIで脳腫瘍の各亜領域を正確に切り分けることは、診断と治療計画に欠かせない。しかし多くの深層学習手法は数百万のボクセルを処理するため、計算の負荷が大きい。
スーパーボクセルのグラフにTransformerを組み合わせた枠組み、TransformerGNNを提案する。この枠組みでは、立体画像の領域分割を、疎なグラフ上のノード分類に置き換える。各症例の多モード画像(FLAIR、T1、T1ce、T2)は、約2,000個のSLICスーパーボクセルに分ける。これにより、約890万個のボクセルが1つの領域隣接グラフに集約される。グラフの各ノードは、多モードの信号強度と空間上の特徴を持つ。モデルではTransformerConv層を積み重ねる。これにより、グラフの接続関係とマルチヘッド・アテンションの両方を使う。
BraTS 2020での平均Dice係数は0.9002だった。内訳は腫瘍全体(WT)0.9579、腫瘍コア(TC)0.8393、造影される腫瘍(ET)0.9033である。繰り返し実行した場合は0.893 ± 0.005だった。対応のあるアブレーション検定で、グラフの接続関係が性能に寄与していることを確かめた。腫瘍全体と造影される腫瘍のDice係数については、アテンションの寄与も確かめた。
パラメータ数は1.36 Mである。16 GBのノートPCでは、ネットワークの順伝播が0.10秒で終わり、メモリ使用量は約1.5 GBだった。ただし画像1件あたりの処理全体には約32秒かかり、その大半はスーパーボクセルの生成に費やされる。事後的な勾配ベースのサリエンシーにより、領域単位・モダリティ単位の寄与が示される。ただし、その臨床上の価値はまだ検証されていない。
掲載誌の IF 相当:2.0(OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-11 に取得。正式な IF(Clarivate)ではない)書誌:Ondo Minko AR, Tchagna Kouanou A, Mbuyi Bidikuchance V, Camara B, Kamguia H, Balde C. A Supervoxel Graph-Transformer Framework for Lightweight and Interpretable Brain Tumor Segmentation from Multimodal Magnetic Resonance Imaging. Biomed Phys Eng Express. 2026 Nov 17 [Epub ahead of print]. doi:10.1088/2057-1976/aec2f6.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
この号では、新しい該当論文はありませんでした。
肝臓がんの治療・治験とAI
- Decision system for combined hepatocellular-cholangiocarcinoma distant metastasis: a retrospective cohort study based on machine learning.抄録(全訳)
背景:混合型肝細胞がん・胆管がん(CHC)は、まれな原発性肝がんである。発生頻度は低く、予後は悪い。CHCは早い段階で遠隔転移(DM)を起こすことがあり、そうなると患者の生存期間は大きく短くなる。本研究は、機械学習(ML)で意思決定システムを作ることを目的とした。このシステムは、CHC患者でDMが起こる危険因子を評価するためのものである。
方法:SEERデータベースから、2000〜2020年のCHC患者1180例を集めた。これらの患者を、訓練セットと内部テスト群に7:3の比で無作為に分けた。2011〜2018年に当院でCHCと診断された患者も集め、外部検証セットとした(N = 125)。CHC患者を、DMの有無によって転移群と非転移群に分けた。訓練セットで単変量・多変量ロジスティック回帰分析を行い、DMに影響する危険因子を評価した。 特徴量の選択には、ランダムフォレスト(RF)と前進的な特徴量重要度の順位を用いた。選んだ特徴量を6種類のMLアルゴリズムに組み込んでモデルを作り、10分割交差検証で内部検証した。予測能の評価には、受信者動作特性(ROC)曲線、適合率-再現率曲線(PRC)、較正曲線(CC)、混同行列(CM)を用いた。シャープレイ加法説明(SHAP)で、DMの危険因子を重要度の高い順に並べた。ブラックボックスモデルの解釈可能性も、SHAPで分析した。最後に、臨床で使いやすいよう、最も性能のよいモデルをもとにウェブ上のリスク計算機を作成した。
結果:判定モデルの構築には、計6つの変数を選んだ。識別能が最も高かったのはエクストリーム勾配ブースティング(XGB)だった。内部テストセットでは、ROC曲線下面積(ROCAUC)が0.863、正解率が0.802、感度が0.875、PRC曲線下面積(PRAUC)が0.642だった。10分割交差検証では、XGBのROCAUCは0.989(標準誤差0.019)だった。 SHAPによると、CHCでのDM発生に寄与する上位6つの主要変数は、リンパ節、手術、年齢、グレード、原発部位、人種であった。リンパ節(node)、手術、年齢、悪性度(grade)、原発部位、人種。さらに、典型的な2症例の分析により、モデルの信頼性が証明された。
結論:患者の治療方針を決める判断材料として、有用性と信頼性が高い。
掲載誌の IF 相当:7.8(OpenAlex の直近 2 年の平均被引用数・2026-11-17 時点の値、2026-11-19 に取得。正式な IF(Clarivate)ではない)書誌:Xu L, Liu R, Wu S, Wang S, Cheng L, Wen T, et al. Decision system for combined hepatocellular-cholangiocarcinoma distant metastasis: a retrospective cohort study based on machine learning. Cancer Cell Int. 2026 Aug 10;26(1):365. doi:10.1186/s12935-026-04422-z.確認の範囲:抄録のみ確認
腎臓がんの治療・治験とAI
- Mass spectrometry and machine learning for classification and molecular phenotyping of renal cell carcinoma and benign tumors.抄録(全訳)
がんの組織亜型や良性腫瘍は、病理で分類するのが難しいことがある。細胞が不均一で、形態の特徴も似ているためである。泌尿器病理医にとって、腎細胞がん(RCC)は大きな課題である。進行RCCは偶然見つかることが多く、組織像も複雑だからである。
次の仮説を立てた。RCCと良性腫瘍の標本を質量分析で分子プロファイリングし、機械学習と組み合わせる。そうすれば腫瘍を正確に分類でき、RCCのバイオマーカー候補も特定できる。
MALDI質量分析イメージング(MALDI-MSI)と定量プロテオミクス(LC-MS)で、RCCの新生物と良性腫瘍のペプチド・タンパク質プロファイルを得た。標本は、患者126例から採取した541個の組織コアで、組織マイクロアレイ(TMA)の形式をとる。機械学習モデルで、RCCの亜型を分類した。対象は、淡明細胞型RCC(ccRCC)、嫌色素性RCC(chRCC)、乳頭状RCC(pRCC)、オンコサイトーマ(OC)である。RCCの亜型を見分けるタンパク質バイオマーカー候補のパネルを、既知・新規の両方で特定した。
RCCのペプチドマッピングは、患者単位の交差検証で評価した。ccRCCと健常組織は確実に分類できた。しかし、診断が難しいchRCCとOCは確実には見分けられなかった。定量プロテオミクスでは5000種を超えるタンパク質を特定した。定量プロテオミクスでは、4つのRCC亜型すべてを患者単位の正解率95.5%で分類できた。chRCCとオンコサイトーマも安定して見分けられた。
ccRCCとpRCCについて、新たなタンパク質バイオマーカー候補を報告する。組織像の似たOC(良性)とchRCC(悪性)も区別できた。これは、質量分析ベースの免疫組織化学で示された。ccRCCの予後バイオマーカー候補は、再発リスク(CDK6、ATM)と転移リスク(DDB2、MK03)に関与する。
質量分析と機械学習でがんの亜型と良性腫瘍を組織・分子の両面からデジタルに判別でき、後ろ向き・前向き研究に使える。これにより、後ろ向き研究も前向き研究も行える。特定されたタンパク質バイオマーカー候補は、腫瘍病理の既存プロトコルを補完する。
掲載誌の IF 相当:7.2(OpenAlex の直近 2 年の平均被引用数・2026-11-17 時点の値、2026-11-19 に取得。正式な IF(Clarivate)ではない)書誌:Sparre AA, Rabjerg M, Marcussen N, Lund L, Jensen ON. Mass spectrometry and machine learning for classification and molecular phenotyping of renal cell carcinoma and benign tumors. Molecular & Cellular Proteomics. 2026 Nov [Epub ahead of print]. doi:10.1016/j.mcpro.2026.101708.確認の範囲:抄録のみ確認
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。