Machine Learning Integration of Lymphovascular Space Invasion, Ki-67 Index, and Immunohistochemical Profiles for Preoperative Lymph Node Metastasis Prediction in Endometrial Cancer

技術要約：子宮内膜癌における術前リンパ節転移予測のための機械学習の統合

問題提起
子宮内膜癌（EC）は、主要な婦人科悪性腫瘍である。リンパ節転移（LNM）の正確な術前予測は、個別化された外科的決定、特に低リスク患者に対する非選択的な系統的リンパ節郭清に伴う過剰治療および関連する合併症（例：リンパ浮腫、腸閉塞）を回避するために極めて重要である。現在の臨床予測モデルは、しばしば術後病理学的指標（例：腫瘍のグレード、浸潤の深さ）や複雑なゲノムデータに依存しており、「術後の指標が術前の決定を導く」という根本的な乖離を生じさせている。さらに、既存のモデルはKi-67などの重要な予後マーカーを欠落させていたり、手術前に利用可能なルーチンの血清学的および免疫組織化学的プロファイルを包括的に統合できていなかったりすることが多い。

方法論
本研究では、2019年10月から2025年10月までの間に海南総医院で治療を受けた子宮内膜癌患者594名を対象とした回顧的設計を用いた。

• データ収集： 変数には、臨床的ベースラインデータ、術前血清学的マーカー（AFP、CEA、CA125、CA19-9、CA72-4など）、術後病理学的指標（筋層浸潤、LVSI、腫瘍径など）、および免疫組織化学的プロファイル（p53、ER、PR、Ki-67、MMRタンパク質）が含まれた。
• 特徴量選択： 変数のスクリーニングと過学習の防止のために、LASSO（Least Absolute Shrinkage and Selection Operator）回帰を用いた。このプロセスにより、7つの主要な予測因子が特定された。
• モデル構築： 4つの機械学習アルゴリズム（ロジスティック回帰（LR）、ランダムフォレスト（RF）、サポートベクターマシン（SVM）、XGBoost）を構築し、比較した。
• 検証戦略： データセットを開発セット（n=416、70%）とテストセット（n=178、30%）に分割した。モデルの性能は、受信者動作特性曲線下面積（AUC）、感度、特異度、較正曲線、および決定曲線分析（DCA）を用いて評価された。
• 頑健性チェック： 様々な臨床特性にわたるサブグループ解析を実施した。また、p53変異症例を除外した感度分析を行い、モデルの安定性を評価した。

主な貢献

1. 術前への焦点： 本研究は、術後データに依存するモデルの限界に対処するため、術前に利用可能な指標のみを用いた予測モデルを開発した。
2. マルチモーダルな統合： 本モデルは、ルーチンの病理学的パラメータ（LVSI）、免疫組織化学的マーカー（PR）、および血清学的バイオマーカー（CA19-9、CA72-4）を体系的に統合している。Ki-67についても評価されたが、最終的な多変量モデルには独立した予測因子として保持されなかった。
3. アルゴリズムの比較： 本研究は、単純なモデル（ロジスティック回帰）と複雑なモデル（RF、XGBoost、SVM）の比較分析を提供し、サンプルサイズの限られた医学データセットにおいては、単純なモデルが優れた汎化性能を示す可能性があることを示した。
4. 臨床的有用性の評価： 統計的指標を超えて、本研究は決定曲線分析を用いて純臨床的利益を定量化し、意思決定におけるモデルの実用的な適用可能性を確保している。

結果

• 予測因子： LASSO回帰により、7つの独立した予測因子（術前CA19-9、CA72-4、筋層浸潤≧1/2、切除されたリンパ節の総数、LVSI、PR発現、および術前CA125）が特定された。注目すべき点として、CEAは単変量解析では有意であったが、多変量解析では独立した予測能を維持できず、LASSOによって選択された最終的な7つの変数には含まれなかった。
• モデル性能： 独立したテストセットにおいて、ロジスティック回帰モデルは、AUC 0.863（95% CI: 0.788–0.938）、感度0.842、特異度0.761という優れた性能を示した。
  • これは、ランダムフォレスト（AUC = 0.848）、XGBoost（AUC = 0.839）、およびSVM（AUC = 0.635）を上回った。
  • また、ロジスティック回帰モデルは、確立されたベンチマークであるENDORISKシステム（AUC = 0.820）およびYangの層別化システム（AUC = 0.845）をも上回った。
• 特徴量の重要度： LVSIが最も重要な特徴量として特定され、次いで切除されたリンパ節の総数、PR発現、および術前CA19-9であった。
• 頑健性： サブグループ解析により、様々な閉経状態、LVSI、およびFIGOステージのサブグループにおいて一貫した性能（AUC ≥ 0.8）が確認された。p53変異症例を除外した後も、テストセットのAUCは0.817と安定していた。
• 臨床的有用性： 決定曲線分析は、閾値確率0.02から0.60の範囲において、本モデルが「すべて治療する」または「治療しない」戦略に対して有意な純臨床的利益を提供することを示した。

意義と主張
著者らは、ルーチンの術前指標に基づくロジスティック回帰モデルが、子宮内膜癌におけるリンパ節転移を効果的に予測できると主張している。本研究は以下の通り述べている：

• 単純さと複雑さ： サンプル数が限られた医学データセットでは、モデルの複雑さを増しても必ずしも予測性能は向上せず、過学習を招く可能性がある。単純なロジスティック回帰モデルは、複雑なアンサンブル学習手法よりも優れた汎化性能を示した。
• 費用対効果： 本モデルは、高価なゲノムシーケンシングや術後データを必要とせず、あらゆるレベルの医療機関に適した、経済的かつアクセシブルな術前意思決定ツールを提供する。
• 新規マーカーの有用性： 本研究は、術前CA19-9およびCA72-4の独立した予測価値を強調しており、これらが早期リンパ節転移を起こしやすい攻撃的なサブグループを特定できる可能性を示唆している。これは特定の文脈においてCA125を凌駕する可能性がある。
• 臨床への翻訳： 術前データのみに依存することで、本モデルは「術後のデータが術前の決定を導く」というパラドックスを解消し、個別化された外科計画のための信頼できる基盤を提供する。

本論文は、モデルが高い予測精度と頑健性を示している一方で、今後の課題として、多施設共同の前向き検証、および臨床導入を促進するためのユーザーフレンドリーなノモグラムやオンライン計算機の開発に焦点を当てるべきであると結論付けている。