タイトルページ:

深層学習放射線組織学モデルと臨床放射線学的特徴を併せた膵管腺癌患者の潜在的腹膜転移の予測モデルの開発と検証

背景

膵管腺癌(Pancreatic Ductal Adenocarcinoma, PDAC)は極めて致死率の高い悪性腫瘍で、5年生存率は約11%です。予後不良の一部の理由は、80-85%の患者が症状が現れた時点で、すでに進行期の病気、切除不能、または転移(潜在的腹膜転移(Occult Peritoneal Metastases, OPM)を含む)が発生していることにあります。腹膜はPDACの第2の一般的な転移経路であり、約10-20%の患者が初診時に腹膜転移を示します。この部分の患者については、早期に腹膜転移を特定することは、不必要な手術を避けるための治療選択に大きく影響します。

従来、腹膜転移の診断はCT(コンピューター断層撮影)に依存していましたが、明確な兆候に欠けるため、早期の腹膜転移は見落とされがちでした。診断的腹腔鏡検査は腹膜転移の診断に推奨されていますが、侵襲性が高く、費用対効果が最適ではありません。一方、癌胎児性抗原19-9(CA19-9)や領域リンパ節腫大などの臨床および画像所見は、腹膜転移の予測因子とされていますが、その予測精度は広く確認されていません。したがって、PDAC患者の腹膜転移を治療前に個別に予測するモデルの開発が急務となっています。

近年、放射線組織学と深層学習技術は、癌の予測分野で顕著な進歩を遂げています。しかし、現在のところPDAC患者のOPMを対象とした深層学習放射線組織学モデルはありません。そこで本研究では、手動放射線組織学(Handcrafted Radiomics, HCR)と深層学習放射線組織学(Deep Learning Radiomics, DLR)を組み合わせたモデルを開発・検証し、PDAC患者のOPMを予測することを目的としました。

研究の出所

本研究は、Siya Shi、Chuxuan Lin、Jian Zhouらの複数の著者によって行われ、広州中山大学附属第一病院、深圳大学医学院などの複数の施設に所属しています。本研究は2024年3月4日付けの国際外科学会誌に掲載されています。

研究の手順

研究対象と群分け

本研究は回顾性の2施設研究で、2012年1月から2022年10月までの間にベースラインCT検査を受けた302人のPDAC患者を対象としました。対象者は訓練群(167人)、内部テスト群(72人)、外部テスト群(63人)に分けられました。各群ではOPMの有無によってマーキングされました(例えば訓練群では22人がOPM陽性)。

データ収集と処理

CT撮影プロトコル: Canon Medical SystemsとPhilips Healthcareの様々なCT撮影装置が使用されました。具体的なCT撮影プロトコルとパラメータは補足資料を参照してください。

データ抽出: 研究では、全患者の性別、年齢、腫瘍位置、血清CEA(癌胎児性抗原)およびCA19-9レベル、CTスキャンに基づくTおよびN病期などの臨床および放射線学的パラメータが収集されました。CTスキャンによるTおよびN病期は、第8版米国がん合同委員会基準に基づいて定義されています。

特徴量抽出と選択: MITKソフトウェアを使用して3次元および2次元の分割を行い、1130の腫瘍HCR特徴量、512の腫瘍DLR特徴量、474の腹膜HCR特徴量が抽出されました。特徴量選択では、まず相互情報量とLASSOアルゴリズムによりスクリーニングを行い、次にロジスティック回帰モデルを用いてモデリングを行いました。

モデル開発と検証

本研究では、臨床-放射線学的モデル、腫瘍DLRモデル、腹膜HCRモデル、統合モデルの4種類のモデルが開発されました。各モデルの性能は、受信者操作特性(ROC)曲線とそのカーブ下面積(AUC)で評価されました。具体的には、LASSOアルゴリズムを使って訓練群から特徴量を選択し、内部テスト群と外部テスト群で検証が行われました。

研究結果

特徴量選択とモデル性能: 特徴量選択後、統合モデルには、腫瘍の9個のHCR特徴量、14個のDLR特徴量、腹膜の3個のHCR特徴量、および3個の臨床-放射線学的特徴量(CA19-9、CTベースのTおよびN病期)が含まれていました。これらの特徴量を用いてモデルを訓練したところ、AUC値は訓練群で0.853、内部テスト群で0.845、外部テスト群で0.852と、良好な予測性能を示しました。さらに、DeLongテストにより、統合モデルは臨床-放射線学的特徴量のみを含むモデルよりも有意に優れていることが示されました。

モデル比較と臨床評価: DLRと臨床-放射線学的特徴量を組み合わせた統合モデルは、訓練群およびテスト群の両方で、臨床-放射線学的特徴量のみまたはその他のモデルを単独で用いた場合よりも全体的な正味利益が優れていました。意思決定曲線分析でも、統合モデルがほとんどの妥当な閾値で優れた臨床適用性を示しました。

研究の結論

本研究で開発された、CTイメージのDLR特徴量と臨床-放射線学的データを組み合わせたモデルは、PDAC患者のOPMを予測する上で優れた性能を示しました。この非侵襲的な予測ツールは、OPM陽性患者に対し不必要な手術を避ける一助となるだけでなく、診断的腹腔鏡検査と新たな補助療法の適切な候補者を選別することにより、個別化された診断と治療の追加的根拠を提供します。

研究の意義と価値

本研究は、PDAC患者の潜在的腹膜転移の予測に深層学習放射線組織学を初めて応用し、訓練群と外部検証群の両方で良好な結果を示しました。これらの研究結果は、深層学習アルゴリズムと臨床データを組み合わせることで、PDAC患者の潜在的腹膜転移を正確に予測できることを示しており、臨床実践に重要な補完的価値を提供しています。

研究のハイライト

1. PDAC患者の潜在的腹膜転移に関する初の2施設深層学習放射線組織学研究であり、良好な予測性能と一般化能力を示しました。
2. 深層学習アルゴリズムと臨床-放射線学的データを組み合わせることで、モデルの予測精度が大幅に向上し、従来のモデルの過学習問題を回避しました。
3. この非侵襲的な予測ツールは、診断の明確化だけでなく、個別化治療にも重要な臨床的ガイダンスを提供し、患者の治療方針と予後の最適化に役立ちます。

本研究は、がん診断と治療における放射線組織学の大きな可能性を示しており、臨床応用とさらなる研究の発展に向けて確かな基礎を提供しています。