Interpretable Multi-modal Deep Learning Radiomics for Preoperative Mapping of Tertiary Lymphoid Structure Associated B-Cell Tumor Immune Microenvironment and Immunotherapy Response in Clear Cell Renal Cell Carcinoma

あなたの体を、がんという巧妙な犯罪グループによる包囲下にある、活気ある都市だと想像してみてください。通常、都市の警察部隊（あなたの免疫系）は反撃を試みますが、時には犯罪者が警察から隠れるための見えない壁を築くことがあります。しかし、場合によっては、都市が敵陣地の内部に独自のミニステーションを建設することもあります。科学者たちはこれらを「三次リンパ構造（TLS）」と呼んでいます。TLSを、免疫細胞が集まり、訓練し、組織的な攻撃を開始するための、腫瘍内部に作られた仮設の小さな警察学校だと考えてください。腫瘍にこれらの学校が多く存在するほど、患者の生存率や、免疫療法と呼ばれる強力な新薬への反応率は高まります。問題は、これらの学校を見るために、医師は現在、手術を行って腫瘍の物理的な破片を取り出し、顕微鏡で観察しなければならないということです。これは侵襲的でリスクが高く、最善の攻撃を計画するための手術前に行うこともできません。

ここで物語はエキサイティングになります。もし、標準的な医療スキャン、例えばCTスキャン（非常に詳細な3D X線検査です）を見て、一度も体を切ることなく、これらの見えない警察学校を「見る」ことができたらどうでしょう？ これこそが、中国の研究チームが取り組んだ課題です。彼らは、CTスキャンから腎臓腫瘍のこれらの役立つ免疫構造が隠れているかどうかを予測できる、人工知能（AI）の探偵を構築したいと考えました。もしこれが実現すれば、医師は手術を行う前に、患者の予後や免疫療法が効くかどうかを知ることができ、盲目的な推測を明確なデータに基づいた地図へと変えることができるのです。

AI探偵と見えない地図

中国慶盟医科大学と他の複数の病院のチームが率いる研究者たちは、「マルチモーダル」なAI探偵を構築することに決めました。平易な言葉で言えば、「マルチモーダル」とは、データの見方に一つの方法だけに頼らないことを意味します。彼らは代わりに、以下の3つの異なる方法でCTスキャンを分析することを組み合わせました。

1. 2D分析： 腫瘍を一枚の平らな写真（スライス）のように見る。
2. 2.5D分析： 立方体を3つの側面から見るように、腫瘍を3つの異なる角度（正面、側面、上面）から同時に見る。
3. 3D分析： 腫瘍を完全な立体ブロックとして見る。

彼らはさらに4つ目のツール、「ラジオミクス」を追加しました。これは、デジタル拡大鏡のようなもので、画像の数千もの微細で目に見えないテクスチャ（表面がいかに粗いか、色がどのように混ざり合っているか、ピクセルがどのように配置されているかなど）を測定します。これらのテクスチャは人間の目には小さすぎて気づけませんが、腫瘍が免疫の学校を隠しているかどうかの秘密を握っている可能性があります。

チームは、明細胞型腎細胞癌（ccRCC）という特定の種類の腎がんを持つ1,361人の患者の膨大なデータセットを用いて、AIを訓練しました。彼らはこれらの患者を異なるグループに分けました。AIに教えるためのグループ（訓練セット）、AIをテストするためのグループ（テストセット）、そしてAIの予測が実際に通用するかを確認するための将来の患者グループ（プロスペクティブ・セット）です。

大きな発見：「レイトフュージョン（後期融合）」の勝利

AIを訓練した後、研究者たちはどの探偵が最も優れているかを判断しなければなりませんでした。彼らは、2.5Dモデル（腫瘍を3つの角度から見るもの）が単独の探偵としては最も鋭く、次いで従来のラジオミクスモデルが僅差で続いたことを発見しました。しかし、本当の魔法はこれらを組み合わせた時に起こりました。

彼らは、探偵を組み合わせる2つの方法を試しました。

• アーリーフュージョン（早期融合/事前融合）： 決定を下す前に、すべての生データを混ぜ合わせる。
• レイトフュージョン（後期融合）： 各探偵にまず独自の推測をさせ、その後、「ボス」となるAI（サポートベクターマシン、またはSVMと呼ばれる手法を使用）がすべての推測を聞いて最終的な判断を下す。

レイトフュージョン戦略がレースに勝ちました。著者らがLFMと呼ぶこの結合モデルは、最初のテストグループにおいて、0.938という印象的な精度スコア（AUC）を達成しました。これを比較すると、AUCは1.0が完璧なスコアであり、0.5はコイン投げ（勘）であることを意味します。これは、AIがCTスキャンを見るだけで、目に見えない免疫の学校を見つけることに非常に長けていたことを示しています。

しかし、チームはそこで止まりませんでした。彼らはこう問いかけました。「このAIは本当に生物学的な実体を見ているのか、それとも単に推測しているだけなのか？」 これを証明するために、彼らはさらに深く掘り下げました。AIが「TLS陽性」とフラグを立てた患者の実際の組織サンプルを調べました。ハイテク顕微鏡と遺伝子シーケンシングを用いた結果、AIが正しかったことが判明しました。AIが予測した腫瘍には、以下の特徴がありました。

• 炎症細胞（警察）の高密度な集積。
• B細胞（特定のタイプの免疫兵士）の増加。
• これらの免疫構造を構築することが知られている遺伝子の活動の増加（具体的にはCXCL13-CXCR5軸）。

これにより、AIが単にランダムなパターンを見ているのではなく、実際の免疫反応の生物学的な足跡を検出していることが確認されました。

未来を予測し、命を救う

どのような医療ツールの究極のテストも、それが患者を助けるかどうかです。研究者たちは、LFMモデルを使用して、2つの重要なことを予測しました。

1. 生存率： 腫瘍にTLS（免疫の学校）があると予測された患者は、がんが再発することなく、より長く生存しました。テストグループにおいて、この差は統計的に有意であり、つまり偶然ではなく、実際の影響であることを意味していました。
2. 免疫療法への反応： 進行がんの患者が免疫療法（免疫系を活性化させる薬）を受けた際、AIは誰がよく反応するかを予測できました。モデルは、「レスポンダー（効果があった人）」と「ノンレスポンダー（効果がなかった人）」を0.807の精度で正しく識別しました。

チームはまた、モデルが構築された「後」に治療を受けた患者である「プロスペクティブ（前方視的）」グループに対してもモデルをテストしました。AIは高い精度（AUC 0.881）を維持しており、単に古いデータを暗記しているのではなく、新しい患者の転帰を実際に予測できることを示しました。

限界と未来

有望な結果ではありますが、著者らはこれを「解決済み」の問題とは呼んでいません。彼らは、この研究が後ろ向き（過去のデータを見るもの）であり、主に中国の患者に焦点を当てているため、モデルがどこでも機能するように、より多様な集団でテストされる必要があると指摘しています。また、生物学的分析が比較的少数の患者グループに基づいているため、正確な分子メカニズムについてはさらなる研究が必要であることも認めています。

しかし、核心となるメッセージは明確です。この研究は、標準的なCTスキャンを用いて、腫瘍の免疫環境の非侵襲的な「地図」を作ることができる可能性を示唆しています。画像の異なる見方を組み合わせ、それを実際の生物学的データで検証することで、チームは、医師が誰に手術が必要で、誰に免疫療法が必要で、誰が良好な経過を辿る可能性が高いかを、一度もメスを入れる前に判断するのに役立つツールを作り上げたのです。これは、AIが翻訳者として機能し、CTスキャンの静止した灰色の画像を、体によるがんとの戦いのダイナミックな物語へと変える未来への一歩です。