NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Tempus AI、肺がんの病理画像から12種のバイオマーカーを予測するAI事前スクリーニングを公表 6万459症例で感度は全指標80%超、特異度に幅

米Tempus AIは2026年10月19日、進行非小細胞肺がん(NSCLC)の患者を対象に、診断で普段に使われるH&E染色の病理画像から12種類のバイオマーカー状態を予測するAI事前スクリーニングの研究結果を発表しました。10月23日付で公開されたESMO 2026の発表要旨では、多施設の6万459症例(5万6,969人)のデータで、評価用に残したデータの12指標すべてで感度80%超を報告する一方、特異度は41.66〜78.26%と指標によって幅がある。パネルは開発中で、遺伝子検査や免疫染色の確定検査を置き換えるものではないと同社は説明しています。

肺がんの治療では、EGFRやALKなどの遺伝子変化、PD-L1の発現状態が薬の選択を左右する。確認にはDNAシーケンス検査(NGS)や免疫組織化学染色(IHC)が必要ですが、発表要旨は、ガイドラインが推奨するこれらの検査の実施率が低いことを課題として挙げる。診断の時点ですでに作られるH&E画像を事前スクリーニングに使えれば、確定検査を受ける患者の優先付けや、限られた検体の節約につながる可能性があると述べています。

手法とデータ

パネルはH&E染色の全スライド画像(WSI)を入力に、臨床上意味のある12のバイオマーカーを同時に予測します。正解となる参照検査は、DNAシーケンスがMSK-IMPACTまたはTempus xT、IHCがDako 22C3、Dako 28-8、Ventana SP263です。地域的に多様な多施設・多検査のコーホート6万459症例(5万6,969人)を用い、IHC結果もあるサブセットは4万1,680症例でした。データを学習70%、チューニング15%、ホールドアウト(評価用の取り分)15%に分割し、チューニングデータで各バイオマーカーの感度90%を目標に予測の閾値を選び、その閾値をホールドアウトに適用して成績を測っています。

結果と読み方

ホールドアウトでの感度は12指標すべてで80%を超え、ALK融合は92.49%でした。一方で特異度、つまり陰性を正しく陰性と判定できる比率は、FGFR1増幅の78.26%からPD-L1(1%以上のTPS)の41.66%まで幅があります。AUCは78.50〜90.33%の範囲です。各指標でサンプル数と変異の有病率が異なり、全症例で一律に評価されたわけではありません。

図解主要バイオマーカーの予測成績(ホールドアウト)
  • ALK融合

    感度
    92.49%
    特異度
    63.27%
    AUC
    90.06%
  • EGFR

    感度
    89.38%
    特異度
    69.40%
    AUC
    88.37%
  • KRAS

    感度
    89.63%
    特異度
    57.33%
    AUC
    83.43%
  • RET融合

    感度
    80.77%
    特異度
    64.54%
    AUC
    81.49%
  • PD-L1(1%以上TPS)

    感度
    89.08%
    特異度
    41.66%
    AUC
    78.76%

ESMO 2026発表要旨(2026-10-23付)の結果表から主要5指標を抜粋。ホールドアウトデータでの測定で、単位は%。全12指標の数値は要旨の表を参照。2026-10-25確認。

感度が高いほど見逃しが減る一方、特異度が低い指標では陰性の患者にも追加検査がかさみます。感度90%を目標に閾値を設計したこの研究では、偽陽性と追加検査の負荷の評価が運用上の鍵になります。評価は後ろ向きのホールドアウト分析で、未知の施設や前向きの患者での検証ではありません。

確定検査を置き換えない位置づけ

Tempusは、このパネルが開発中であり、確立された分子検査やIHC検査を置き換えることを意図していないと明記しています。想定される使われ方は、診断時の病理画像から確定検査が特に必要な患者を先に拾い出すというものです。

図解想定される検査の流れ
  1. 01 診断時

    H&E画像の取得

    肺がんの病理診断の過程で作られる染色標本の画像を入力に使う。

  2. 02 事前スクリーニング

    12指標を予測

    AIがバイオマーカー状態を推定し、追加検査の優先順位づけを支援する。

  3. 03 確定検査

    NGS・IHC

    陽性の可能性が高い患者から遺伝子検査や免疫染色を実施し、治療選択につなげる。

Tempus公式発表(2026-10-19)とESMO 2026発表要旨(2026-10-23付)の記述にもとづく。事前スクリーニングは確定検査の代替ではなく、優先付けの補助として評価中。2026-10-25確認。

研究は、診断の壁を下げることを目的としたTempusとPfizerの継続中の協業を通じて実施されました。Tempus腫瘍学担当最高医療責任者のEzra Cohen氏は次のように述べています。

「precision medicineは、臨床医が必要な情報を必要なときに持っているときにのみ機能します。今回の結果は、すでに日常診療の一部である病理画像からAIが意味のある情報を取り出し、次にどの検査が最も重要かを臨床医が判断する助けになる可能性を示しています。」

Precision medicine only works when clinicians have the right information at the right time. These findings demonstrate the potential for AI to extract meaningful information from a pathology image that is already part of routine care and help clinicians determine what testing may be most important next.

Tempus腫瘍学担当最高医療責任者Ezra Cohen氏、公式発表、2026年10月19日

同社は既存の取り組みとして、組織がシーケンスに不十分な場合に多癌種の123バイオマーカーの可能性を予測するPaige Predictや、検体受領から約24時間で臨床上意味のあるバイオマーカーの早期予測を出すTempus Previewを案内しています。今回の12指標パネルは、これらとは別の研究です。新しい資金調達、規制承認、販売開始時期の公表は発表には含まれていません。

この種の事前スクリーニングが実務に浸透するかは、確定検査への到達率、検査所要時間、検体と費用の節約を実運用で示せるか次第になります。感度重視の閾値設計は見逃しを減らす代わりに追加検査を増やすため、導入施設ごとの偽陽性コストの見積もりが先決です。この段落は本稿の編集部による分析です。

今後の確認点

外部施設・前向き臨床検証での感度・特異度の再現、確定検査への到達率や検査時間の改善実測、パネルの製品化と規制上の位置づけは、2026年10月25日時点で確認できていません。

出典

  1. A Comprehensive AI-Enabled Pre-Screening Panel for Non-Small Cell Lung Carcinoma (NSCLC) Using Computational Pathology Applied to H&E Whole Slide Images (WSI)(Tempus publications/ESMO 2026)2026-10-23付。症例数、データ分割、閾値設計、12指標の感度・特異度・AUC・有病率・サンプル数を本文で確認。2026-10-25確認。
  2. Tempus Presents Data Demonstrating AI-Enabled Pre-Screening Can Help Identify Patients for Biomarker Testing in NSCLC(Tempus AI投資家向け発表、Business Wire配信)2026-10-19公開。発表日、Pfizer協業、確定検査を置き換えない位置づけ、Paige Predict/Tempus Previewとの区別、CMO発言を本文で確認。2026-10-25確認。

出典の確認日 2026.10.25

KEEP EXPLORING

あわせて読みたい記事と映像

AIと社会の記事一覧
  1. Bitdefender、AIコーディング環境を狙う悪性GitHubコンテンツを分析──AGENTS.mdでの誘導と起動フックの2経路、悪性リンク22件

    セキュリティ企業Bitdefenderの研究部門Bitdefender Labsは2026年11月17日、AIコーディング支援ツールの利用環境を狙う悪性GitHubコンテンツの分析を公開した。研究者Andrei Anton-Aanei氏らが確認した悪性リンクは22件で、AGENTS.mdやCLAUDE.mdの文章でAIにsetup.jsの実行を誘導する経路に加え、.claude/settings.jsonのセッション開始フックでAIの判断を介さずコマンドを実行できる経路が報告されている。22件はリンクの数で、感染者数を示すものではない。

    記事を読む
  2. POSTECH、LLMが勾配学習なしでモデルの重みを直接書く「Weight-Space Programming」──3つのLLMが疎なテーブルを設計、ARCで最大54.4%

    POSTECH(韓国の浦項工科大学)のHyunjong Ok氏とJaeho Lee氏は2026年11月17日、勾配ベースの学習を使わず、大規模言語モデル(LLM)にモデルの重みを直接記述させる「Weight-Space Programming」の研究をarXivに公開した(arXiv:2611.22055)。Claude Opus 5.5、GPT-6.1 Sol、GPT-6 Astraの3モデルに10件のラベル付き例とサンドボックスを与えて実験したところ、アーキテクチャの設計を任せた3モデルすべてが、テキストで書いた事実を置く疎なテーブルと、それを読む固定の手続きでモデルを構成した。ARCの選択式テスト3,530問での精度は最大54.4%(偶然は25%)で、著者報告では、同じLLMが記述した最良の公開Transformerを約1,800分の1のパラメータで上回った。実験で作った56モデル(テキストファイル計68MB)をMITライセンスで公開しているが、測定・分析コードの大半は含まれていない。

    記事を読む
  3. Google GTIG、実際の侵入でAIエージェント基盤の悪用を観測──脆弱性調査と悪用の完全自動化を初確認、LLMJackingの被害は単日10万ドル超

    GoogleのGoogle Threat Intelligence Group(GTIG)とMandiantは2026年11月16日、四半期ごとの脅威観測レポート「GTIG AI Threat Tracker: Agentic Threat Activity Crosses a Significant Threshold」を公開した。複数の脅威アクターがオープンソースのマルチエージェント型ペネトレーション基盤(ARTEX、CAIRN、CyberStrikeAI、PentAGI)を悪用し、実際の侵入の個別の工程を自動化した事例を観測した。脆弱性の発見と悪用を人間の介入なしに完全自動化するLLM基盤の使用は、この四半期に初めて確認したという。LLM認証情報の窃取でクラウド資源を消費するLLMJackingでは、単日の不正請求が10万ドルを超えた事例があり、最も深刻な事例では累計100万ドルに達した。観測範囲は限られ、数値はGoogleの報告値。

    記事を読む