Machine Learning Model Integrating Clinical Features, CT Radiomics, and Transfer Learning for Predicting Aggressive Recurrence of Hepatocellular Carcinoma

技術要約：肝細胞癌の侵襲的な再発を予測するための、臨床的特徴、CTラジオミクス、および転移学習を統合した機械学習モデル

問題提起
肝細胞癌（HCC）は依然として癌関連死亡の主要な原因であり、根治的肝切除後の再発率は60〜70%に達する。重要な臨床的課題は、「侵襲的な再発（aggressive recurrence）」の予測である。これは、ミラノ基準を超えるもの（例：大きな腫瘍量、血管侵襲、または肝外転移）として定義される。現在のリスク評価は、術後の病理学的特徴（例：微小血管侵入）やAFPなどの血清マーカーに大きく依存しているが、これらは術前の意思決定に対する感度が低い。ラジオミクスは非侵襲的な代替案を提供するが、従来のハンドクラフト特徴量は、腫瘍の侵襲性の複雑な空間パターンを捉えるのに苦慮することが多く、小規模なデータセットでは過学習を起こしやすい。さらに、ディープラーニングモデルは通常、大規模なアノテーション付きデータセットを必要とするが、医学的画像においてはそれらは希少である。本研究は、個別の周術期戦略のために、臨床データ、従来のラジオミクス、およびディープラーニング特徴量を統合し、高リスク患者を特定する、術前かつ非侵襲的な予測モデルの必要性に対処するものである。

方法論
本研究は、広西医科大学第一附属病院（2013年–2020年）において根治的肝切除を受けたHCC患者455名を対象とした回顧的設計を用いた。コホートは、訓練グループ（n=318）と検証グループ（n=137）に7:3の割合で分割された。

1. データ取得および前処理：

   • 臨床データ： 術前変数には、デモグラフィックス、臨床検査（例：アルブミン、AFP、FIB-4）、および画像測定値（例：門脈径）が含まれる。
   • 画像： 術前の門脈相造影CT画像を使用した。関心領域（ROI）は、2名のシニア医師によるITK-SNAPを用いて手動でセグメンテーションされた。
   • ラジオミクス： PyRadiomicsを用い、一次統計量、テクスチャ行列（GLCM、GLRLM、GLSZM、NGTDM、GLDM）、および形状特徴をカバーする1,561個のハンドクラフト特徴量を抽出した。特徴量はZスコア正規化を行った。
   • ディープラーニング（転移学習）： ImageNetで事前学習されたResNet-50モデルを、訓練セットに対してファインチューニングした。ディープ特徴量は、グローバル平均プーリング層から抽出し（2,048次元）、主成分分析（PCA）によって150個の主成分に削減した。

2. 特徴量選択およびモデル構築：

   • 選択： 特徴量は、単変量t検定、相関分析（閾値0.9）、および最小絶対収縮および選択演算子（LASSO）回帰を用いてスクリーニングされ、冗長性を排除して最も予測力の高いサブセットを選択した。
   • マルチモーダル融合： 「DLR」（ディープラーニングおよびラジオミクス）特徴セットは、早期融合（early fusion）を通じて作成された。
   • アルゴリズム： 8つの機械学習アルゴリズム（ロジスティック回帰、SVM、KNN、ランダムフォレスト、Extra Trees、XGBoost、LightGBM、MLP）をテストした。性能に基づき、XGBoostが最適な分類器として選出された。
   • 構築されたモデル： 臨床のみ、ラジオミクスのみ、DLRのみ、およびマルチモーダル融合モデル（臨床＋ラジオミクス＋DLR）の4つの異なるモデルを構築した。
   • 評価： パフォーマンスは、訓練グループおよび独立検証グループの両方において、曲線下面積（AUC）、較正曲線、および決定曲線分析（DCA）を用いて評価された。

主な結果

• 独立した予測因子： 多変量ロジスティック回帰により、侵襲的な再発に関する4つの独立した臨床因子が特定された：アルブミン（OR=0.927）、FIB-4スコア（OR=0.524）、門脈径（OR=1.173）、および肝区域S2の関与（OR=0.071）。
• 訓練パフォーマンス： マルチモーダル融合モデルは、訓練グループにおいて、AUC 0.996（95% CI: 0.992–1.000）という極めて優れた識別能を達成した。DLRモデルもほぼ完璧な性能を示した（AUC 0.994）。
• 検証パフォーマンス： 独立検証グループでは、すべてのモデルにおいて性能が著しく低下し、深刻な過学習を示した。マルチモーダル融合モデルのAUCはわずか0.567（95% CI: 0.468–0.667）であった。DLRモデルは0.564に低下し、臨床モデルは0.436となった。
• 臨床的有用性： 決定曲線分析（DCA）により、検証グループにおいて、マルチモーダル融合モデルの純利益（net benefit）は、いかなる閾値確率においても「全員治療」または「治療なし」の戦略を超えないことが明らかになった。

意義および主張
本論文は、転移学習ベースのディープ特徴量、従来のラジオミクス、および臨床変数を、侵襲的なHCC再発を予測するために体系的に統合した最初の研究であると主張している。

• 理論的実現可能性： 本研究は、マルチソースの異種情報融合が理論的に可能であることを示している。これは、結合モデルが単一モダリティのモデルよりも優れた訓練性能を示したことからであり、ディープラーニングの特徴量が補完的な情報を捉えていることを示唆している。
• 臨床的な注意点： 極めて重要な点として、著者らは、このモデルは現在、臨床的意思決定には適していないと明示している。訓練AUCと検証AUCの間の大きな隔たり、およびDCAにおける臨床的純利益の欠如は、「高次元特徴量 － 限られたサンプル数 － 複雑なモデル」というジレンマによる過学習を裏付けている。
• 今後の方向性： 著者らは、本研究の主な価値は、マルチモーダル融合戦略のための方法論的なリファレンスを提供することにあると強調している。彼らは、個別化された周術期治療計画に適用する前に、モデルを検証し最適化するために、より大きなサンプルサイズを持つ大規模な多施設共同の前向き研究が必要であると結論付けている。

要約すると、本研究は回顧的な設定において高性能なモデルの構築には成功しているものの、その汎用性は限定的であると控えめに結論付けており、小規模な医学的データセットにおけるディープラーニングとラジオミクスの統合に関する概念実証（proof-of-concept）としての役割を果たしている。