Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study

技術的サマリー：膠芽腫における癌免疫シグネチャー評価のための予測的ラジオミクス（PRECISE-GBM）

問題提起
IDH 野生型（IDH-wt）膠芽腫における免疫腫瘍微小環境（TME）は、著しい不均一性と免疫抑制状態を特徴とし、免疫療法の有効性に課題を課している。免疫バイオマーカーを同定するための現在の戦略は、侵襲的な生検、組織病理学、および免疫組織化学に依存している。これらの手法は詳細な分子洞察を提供するが、空間的不均一性、深部病変や切除不能病変のサンプリング不可能性、術前患者層別化のための非侵襲的ツールの欠如によって制限されている。著者らは、術前 MRI 画像に、トランスクリプトームデータから導出された免疫細胞シグネチャー、すなわち腫瘍の免疫状態を予測可能な放射学的バイオマーカーが含まれており、これにより臨床試験のエンリッチメントのための非侵襲的経路を提供できると仮説を立てている。

方法論
PRECISE-GBM 研究は、IDH-wt 膠芽腫の対応する術前 MRI とトランスクリプトームデータを用いた、既知で最大のオープンアクセスデータセットを活用した、後方視的・多施設性のバイオマーカー開発および解析的検証研究である。

• データキュレーションと調和化: 本研究は、TCGA-GBM、CPTAC、IvyGAP、REMBRANDT、および CGGA の 5 つの公開リポジトリからデータを統合し、176 人の患者を含んだ。CGGA データセットにおける FLAIR 系列の欠損に対処するため、pix2pix ベースの生成敵対的ネットワーク（GAN）を用いて合成 FLAIR 画像を生成した。これらの合成画像は、ホールドアウトテストの完全性を確保するため、訓練データに限定して使用された。トランスクリプトームデータ（RNA-seq およびマイクロアレイ）は、バッチ効果を除去するために ComBat を用いて調和化された。
• 免疫ラベルの構築: 汎用がん行列と膠芽腫特異的行列の 2 つの参照シグネチャー行列を用いて、バルクトランスクリプトームデータにデジタル細胞計数（CIBERSORTx）を適用した。このプロセスにより、T 細胞サブセット、マクロファージサブタイプ（M0/M1/M2）、ミクログリア、NK 細胞、樹状細胞を含む 17 の免疫細胞カテゴリーのスコアを推定した。これらの連続スコアは、ガウス混合モデル（GMM）を用いて「高（1）」または「低（0）」のクラスに二値化された。
• ラジオミック特徴量の抽出: 深層学習ベースの自動セグメンテーション（DeepBraTumIA）を用いて、壊死核、増強腫瘍、浮腫の 3 つの腫瘍領域を輪郭描出した。ラジオミック特徴量（形状、1 次、GLCM、GLSZM、GLDM、NGTDM、および GLRLM からの高次テクスチャ特徴量）を T1、T1CE、T2、および FLAIR 系列から抽出した。
• モデルアーキテクチャと検証:
  • 前処理: 外れ値は主成分分析（PCA）および Hotelling の T2 楕円を用いて除去された。ラジオミック特徴量は neuroCombat で調和化され、Z スコアで正規化された。
  • 特徴量選択: 各免疫ラベルの識別特徴量を選択するために、ネストされた 5 回交差検証を伴う最小絶対収縮選択演算子（LASSO）が使用された。
  • 分類: 2 種類のモデルタイプが訓練された。サポートベクターマシン（SVM）と、ランダムフォレストおよびヒストグラムベースの勾配ブースティングを 2:1:1 の重みで組み合わせたアンサンブルモデルである。
  • 検証戦略: 3 つの独立したコホート間実験が実施された。各実験において、モデルはデータセットの組み合わせで訓練され、厳密にホールドアウトされた外部データセット（IvyGAP、TCGA、または CPTAC）で検証され、一般化可能性が評価された。性能は、適合率、バランス精度、およびマシューズ相関係数（MCC）を用いて評価された。モデル性能の統計的比較には、ブートストラップ再サンプリング（10,000 反復）が使用された。

主要な結果

• 特徴量選択: 選択後、17 の免疫カテゴリー全体で 2069 の固有のラジオミック特徴量が同定された。特徴量は腫瘍領域（壊死核、増強、浮腫）および MRI 系列間で比較的均等に分布していた。
• モデル性能:
  • マクロファージ M0 シグネチャー: 汎用がんシグネチャー行列を使用したアンサンブルモデル（ENS_pan）は、マクロファージ M0 サブタイプの予測において最も安定した性能を示した。3 つの独立したホールドアウトデータセット全体で、平均バランス精度は 0.67、平均適合率は 0.89 であった。マシューズ相関係数（MCC）は中程度の正値（平均 0.22）であった。
  • T 細胞シグネチャー: SVM モデルは、特定のホールドアウトセットにおいて T 細胞関連カテゴリー（例：CD4、CD8、全 T 細胞）で有望な結果を示し、場合によっては高いバランス精度（最大 1.00）を達成したが、これらの結果は M0 モデルと比較して 3 つの実験全体で安定性が低かった。
  • その他のカテゴリー: 多くの他の免疫カテゴリー（例：Treg、M1/M2 マクロファージ）は、二値化されたホールドアウトテストセットにおける極端なクラス不均衡（一方のクラスが単一症例で表現されているか、完全に欠如している）により、「評価不能」または不安定な指標となった。
• 説明可能性: M0 モデルに対する SHAP（Shapley Additive exPlanations）分析は、予測が単一の支配的な特徴量ではなく、空間的不均一性と構造的組織を反映する高次テクスチャ特徴量（GLCM、GLSZM、GLDM）によって駆動されていることを示した。
• 予後相関: 「高」M0 シグネチャーを持つと予測された患者は、「低」シグネチャーを持つ患者と比較して、全生存期間が有意に長かった（ログランク p = 0.04）。

主要な貢献

1. データセットのキュレーション: 本研究は、5 つの主要なリポジトリからの対応する MRI とトランスクリプトームデータを統合し、IDH-wt 膠芽腫における最大のオープンアクセスラジオゲノミクスデータセットを構築・調和化した。
2. 方法論的枠組み: 著者らは、欠損系列のための合成画像生成、画像およびゲノムデータの両方に対するバッチ補正、3 つの独立した外部ホールドアウトセットを用いた堅牢なコホート間検証戦略を含む、厳格なラジオゲノミクス解析パイプラインを開発した。
3. バイオマーカーの同定: 本研究は、開発されたパイプラインを用いて術前 MRI から確実に予測可能な免疫関連特徴量として、マクロファージ M0 免疫シグネチャーを同定した。
4. 解析的検証: 従来の研究がしばしば内部交差検証に依存するのに対し、本研究は 3 つの異なる外部コホート全体で解析的検証を提供し、M0 予測モデルの安定性を示した。

意義と主張
著者らは、PRECISE-GBM 研究が、特にマクロファージ M0 サブタイプに対して膠芽腫免疫生物学を検索する非侵襲的 MRI ベースのパイプラインを成功裡に開発し、解析的に検証したと主張している。この研究の意義は、生検前に免疫療法試験の患者を層別化し、高い不均一性を有する疾患における試験エンリッチメントの必要性に対応する点にある。著者らは、これらのバイオマーカーを、特に切除不能患者や深部病変に対して、組織ベースの分析を補完するツールとして位置づけている。

本論文は、これらの知見を将来の臨床応用への「概念実証」および「妥当な経路」として謙虚に位置づけている。モデルは、臨床展開前に、ネオアジュバント免疫療法試験内の「シャドウモード」で前向き臨床検証を必要とすると明記されている。本研究は、M0 シグネチャーが安定性を示した一方で、他の免疫細胞タイプへの広範な適用はデータ分布とクラス不均衡によって制限されており、将来の改良にはより大規模でバランスの取れたデータセットが必要であると強調している。パイプラインのアーキテクチャと評価手法は、将来のラジオゲノミクス研究のためのテンプレートとして提示されている。