SMOTEを用いた機械学習モデルによる血液微生物叢分析からの再発および転移性乳がんの予測
カテゴリ：手術支援
公開日：2026年2月19日
タイトル：SMOTE-augmented machine learning model predicts recurrent and metastatic breast cancer from microbiome analysis
雑誌名：Sci Rep. 2025 Sep 26; 15(1): 33096.
概 要：
この研究は、乳がんの再発および転移（RMBC）の早期予測に向けた信頼性の高いバイオマーカーの必要性に応え、血液微生物叢プロファイルを用いた機械学習による予測分析を行いました。288人の参加者を対象にした後ろ向き分析を実施し、96人の乳がん患者と192人の健康対照者を比較しました。7年間のフォローアップ後、患者は無病生存（DFS）群とRMBC群に分類されました。16S rRNAシーケンシングを用いて血液微生物叢の組成を分析し、クラス不均衡に対処するためにSMOTEを使用しました。11の機械学習モデルが訓練され、評価されました。
方 法：
この研究は、288人の参加者を対象にした後ろ向き予測分析です。参加者は96人の乳がん患者と192人の健康対照者で構成され、7年間のフォローアップが行われました。血液微生物叢は16S rRNAシーケンシングを用いて分析され、SMOTEを用いてクラス不均衡に対処しました。11の機械学習モデルがLOOCVおよびk-fold交差検証を用いて訓練され、AUROC、リコール、精度、F1スコア、MCCに基づいて評価されました。
結 果：
無病生存群とRMBC群のアルファ多様性は、健康対照群に比べて有意に低下していました（p < 0.05）。ベータ多様性分析では明確なクラスタリングが示されました。ランダムフォレストモデルはAUROC 0.94、リコール0.81、F1スコア0.83、MCC 0.88を達成しました。Enterobacter、Bacteroides、Klebsiella、BifidobacteriumがRMBCを予測する主要な微生物属として特定されました。
結 論：
血液微生物叢プロファイリングは、非侵襲的なRMBCバイオマーカーとしての可能性を示しており、機械学習はRMBCの識別に効果的であることが確認されました。さらなる検証が必要です。