Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

技術要約：直腸癌における術前化学放射線療法（nCRT）の転帰予測のための統合ノモグラム

問題提起
局所進行直腸癌（RC）における術前化学放射線療法（nCRT）の転帰を正確に予測することは、完全奏効者に対する「待機療法（watch and wait）」や、非奏効者に対する適切なタイミングでの手術といった、その後の治療戦略を決定する上で極めて重要である。病理学的検査（侵襲的であり、サンプリングによる制限がある）、直腸指診（主観的であり、深さを定量化できない）、および血清腫瘍マーカー（CEAなど、非分泌型の患者には効果がない）を含む現在の評価手法は、臨床的意思決定に求められる非侵襲的、正確、かつ個別化された能力を欠いている。さらに、nCRT後の病変は、標準的なMRI単独での評価を困難にする浮腫、線維化、炎症を伴うことが多い。本研究は、画像データと臨床データを統合し、nCRTの有効性を予測するための、堅牢で非侵襲的な予測ツールの必要性に対処するものである。

方法論
本研究では、nCRT前のT2強調MRIを受け、その後に全直腸間膜切除術（TME）を受けた292名の直腸癌患者（トレーニングセット230名、検証セット62名）のレトロスペクティブなコホートを利用した。転帰は病理学的腫瘍退縮グレーディング（TRG）によって定義され、奏効者（TRG1/2）と非奏効者（TRG3）に分類された。

手法には、多段階のモデリングアプローチが含まれる：

1. 画像前処理およびアノテーション： MR画像に対してN4バイアスフィールド補正および1mm³の等方性ボクセルへのリサンプリングを行い、経験豊富な放射線科医がITK-SNAPを用いて腫瘍内および腫瘍周囲領域の手動セグメンテーションを行った。
2. ラジオミクスモデルの開発： 1,561個のラジオミクス特徴量（形状、一次統計量、テクスチャ）をPyRadiomicsを用いて抽出した。特徴量は、検者間信頼性（ICC > 0.80）および多重共線性（|r| ≥ 0.95）に基づいてフィルタリングされ、LASSO回帰により選択された。2つのモデルを構築した：腫瘍内領域のみを使用するモデル（Rad-Tumor）と、腫瘍内および腫瘍周囲領域を組み合わせたモデル（Rad-Tumor+Peri）。
3. ディープラーニング（DL）モデルの開発： セグメンテーションされた同一領域に対してResNet50畳み込みニューラルネットワークを学習させた。トレーニングサンプルサイズを8倍に増やすために、データ拡張（回転、平行移動、スケーリング、反転）を適用した。ラジオミクスと同様に、2つのDLモデル（DL-TumorおよびDL-Tumor+Peri）を構築した。
4. 臨床変数の選択： 臨床因子（デモグラフィックス、MRIステージング、血清バイオマーカー）を単変量および多変量回帰によりスクリーニングした。EMVI（血管侵襲）と腫瘍部位のみが有意な予測因子として保持された。
5. ノモグラムの構築： Radscore（Rad-Tumor+Periから算出）、DLscore（DL-Tumor+Periから算出）、および選択された臨床変数（EMVI、腫瘍部位）を統合することにより、結合ノモグラムを開発した。

主要な貢献

• 腫瘍周囲領域の統合： 本研究は、腫瘍周囲の脂肪組織の特徴を含めることが、ラジオミクスおよびディープラーニングの両方のアプローチにおいて、腫瘍単独のモデルよりも予測性能を大幅に向上させることを示している。
• ハイブリッドモデリング戦略： 本論文は、単一のモダリティに依存するのではなく、高次元のディープラーニング特徴量、統計的ラジオミクスシグネチャー、および特定の臨床リスク因子を相乗的に組み合わせたノモグラムを導入している。
• 比較分析： 従来のラジオミクス、ディープラーニング、およびそれらを単一の臨床フレームワーク内で適用した場合の性能を直接比較している。

結果

• モデルの性能： 検証データセットにおいて、結合ノモグラムは0.921（95% CI, 0.824–0.974）のAUC（曲線下面積）を達成し、最も高い予測精度を示した。これは、スタンドアロンのDL-Tumor+Periモデル（AUC 0.845）およびRad-Tumor+Periモデル（AUC 0.739）よりも有意に優れていた（すべてp値 < 0.05）。
• 腫瘍周囲特徴量の影響： 腫瘍周囲領域を組み込むことで、検証セットにおけるラジオミクスモデル（0.666から0.739へ）およびディープラーニングモデル（0.817から0.845へ）の両方のAUCが向上した。
• 臨床的有用性： 決定曲線分析（DCA）は、ノモグラムが他のモデルと比較して、ほとんどの閾値確率において高い純利益（net benefit）を提供することを示した。キャリブレーション曲線およびHosmer–Lemeshow検定は、予測確率と実際の転帰との間の良好な一致を確認した。
• 特定の臨床因子： 多変量解析により、最初に収集された13の因子のうち、EMVIと腫瘍部位のみが有意な臨床予測因子であることが特定された。

意義および主張
著者らは、開発されたノモグラムが、直腸癌患者における術後nCRT転帰を予測するための効果的な非侵襲的ツールとして機能すると主張している。ディープラーニング特徴量、ラジオミクスシグネチャー、および臨床変数を統合することで、本モデルは単一モダリティのアプローチよりも優れた診断性能を提供する。本研究は、このツールが臨床医を支援し、治療の個別化を可能にし、効果のない治療による不要な副作用から患者を救ったり、非奏効者を早期に特定して腫瘍の進行を防いだりできる可能性があると位置づけている。著者らは、研究の限界として、レトロスペクティブかつ単一施設による性質、および計算手法の複雑さを認めており、堅牢性を確認するために外部検証が必要であることを示唆している。