📄 medicine

Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study

この回顧的研究は、非造影CTからの腫瘍内およびマルチスケール腫瘍周囲のラジオミクス特徴量と臨床変数を統合した機械学習モデルが、直腸腺癌と直腸神経内分泌腫瘍を鑑別するための最も高い点推定値に達することを示しているが、小規模な単一施設コホートであることおよび外部妥当性の欠如により、その知見は依然として探索的なものである。

原著者： Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

公開日 2026-09-15

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Ximing Liu¹, Yujie Zhou¹, Lisong Zhu², Shuang Gao³, Renchen Dou³, Rixiong Wang¹

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

人間の身体という複雑な領域において、直腸には、画像診断では似たように見えるものの、全く異なる治療を必要とする2種類の腫瘍が存在することがあります。一つは、攻撃的に増殖する一般的な癌であり、もう一つは、神経細胞に由来する、より成長の緩やかな腫瘍です。手術前にこれらを区別することは極めて重要であり、患者が根治的な手術を必要とするのか、あるいはより単純な処置で済むのかを決定づけるからです。通常、医師は造影剤を用いたスキャンに頼ります。注入された染料が血管を際立たせることで、腫瘍の性質を明らかにします。しかし、アレルギーや腎機能の問題により、すべての患者がこの染料を受け入れられるわけではなく、時にはプレーンな（造影剤なしの）スキャンしか利用できないこともあります。これは、色の強調された手がかりなしに、腫瘍の形状や質感を見極めなければならないという、診断上の空白を生み出します。

研究チームは、ラジオミクスと呼ばれる手法を用いて、この空白を埋めることができるかどうかを検証することに乗り出しました。人間の目による推測に頼るのではなく、彼らは医療画像を膨大なデータソースとして扱いました。彼らは腫瘍の画像を数千もの微細な数値的詳細へと分解しました。それは、人間の目には捉えきれない、グレーの階調、粗さ、そしてピクセルのパターンを測定することでした。また、腫瘍そのものだけでなく、その直周囲の組織にも注目しました。腫瘍の影響は隣接する組織へと波及しているはずだと考えたからです。これらの隠れたパターンを、例から学習できる能力を持つコンピュータプログラムに投入することで、プレーンな非造影画像のみを用いて、これら2種類の腫瘍を判別できるツールの構築を目指しました。

研究は、2019年から2025年の間に直腸腫瘍の治療を受けた87人の患者に焦点を当てました。研究者たちは、これらの症例を2つのグループに分けました。一つはコンピュータに何を探すべきかを教えるためのグループ、もう一つは、コンピュータが学習した内容を未知の新しい症例に適用できるかをテストするためのグループです。彼らはプレーンなCTスキャン上で腫瘍の輪郭を注意深く描き出し、さらにその輪郭を周囲の組織に向かって3ミリメートルと5ミリメートル拡張することで、分析のための3つの異なるゾーンを作成しました。これらのゾーンから、腫瘍表面の質感や近接組織におけるグレーの階調の分布など、一人あたり1,000を超える特徴量を抽出しました。これらの測定値の信頼性を確保するため、異なる観察者が同じ線を引き、同じ数値を得るかどうかを確認し、最も一貫性のあるデータのみを保持しました。

その後、コンピュータは、攻撃的な腺癌と神経内分泌腫瘍を最もよく分離できる特定の微細な詳細の組み合わせを見つけ出すよう訓練されました。研究者たちはいくつかの異なる数学的手法をテストしましたが、「エクストリーム・グラディエント・ブースティング（XGBoost）」として知られる手法が最も効果的であることが判明しました。彼らは、腫瘍の境界からわずか3ミリメートル外側の組織を見ることは、腫瘍自体や5ミリメートル外側の組織を見るよりも、より有用な情報を提供することを発見しました。これは、腫瘍のすぐ隣の領域が、その種類を特定するためのユニークな署名（シグネチャー）を持っていることを示唆しています。研究者たちがこの画像データと、患者の年齢や腫瘍のサイズといった標準的な臨床情報を組み合わせると、2つの疾患を判別するコンピュータの能力はさらに向上しました。

結果として、この複合的なアプローチは、1.0を完璧なランキング能力とする尺度において、0.879という高い識別スコアを達成し、臨床データのみ、あるいは腫瘍の画像のみを用いたモデルを上回りました。しかし、研究者たちは、モデルが全体としては優れたランキング性能を示した一方で、特定のカットオフポイント（閾値）を用いて最終的な「イエスかノーか」の決定を下そうとすると苦戦したことについても、慎重に言及しています。テストグループにおいて、訓練データから導き出された標準的な閾値を用いた場合、モデルは神経内分泌腫瘍の70%を見逃しました。この高い偽陰性率は、モデルが全体的なランキング性能は高いものの、単独の診断ツールとして使用するには、まだ感度が不十分であることを示しています。また、本研究は、コンピュータが見出した最も重要な特徴が、伝統的な意味で統計的に異なると証明されたものではなく、むしろそれらが組み合わさった時に初めて現れる複雑なパターンの混合物であったことも強調しています。

結局のところ、この研究は完成された医療製品というよりも、概念実証（プルーフ・オブ・コンセプト）としての役割を果たしています。これは、プレーンなCTスキャンの中に、腫瘍とその周囲の組織の質感の中に、高度なコンピューティングによって解き明かされるのを待っている価値ある診断の手がかりが存在することを証明しています。研究結果は、造影剤が使用できない場合に、将来的なツールが医師の意思決定を支援できる可能性を示唆しています。とはいえ、本研究は単一の病院で行われ、患者数も比較的少ないため、結果は探索的なものとみなされます。研究者たちは、このようなシステムが実際の臨床現場で使用される前に、あらゆる人々に対して確実に機能することを確認するために、より大規模で多様な集団でテストされる必要があると強調しています。現時点では、デジタル解析がいかにして、最も困難な診断シナリオにおいて人間の判断をサポートできるかという、有望な展望を提示しています。

技術要約：直腸腺癌と直腸神経内分泌腫瘍の鑑別における、非造影CTを用いた腫瘍内および多スケール腫瘍周囲ラジオミクス

問題提起
治療前の直腸腺癌（RAC）と直腸神経内分泌腫瘍（RNET）の識別は、治療戦略が異なるため臨床的に極めて重要である。造影CTはRNETに特徴的な血管系の所見を提示できる一方で、ヨード造影剤の使用が禁忌であったり、利用できなかったりする場合がある。したがって、造影データに依存することなく、非造影CTから得られる定量的特徴（具体的には腫瘍内および腫瘍周囲のラジオミクス）が、これら二つの疾患を効果的に識別できるかどうかを判断する必要がある。

方法論
本研究は、2019年1月から2025年12月までに治療を受けた、病理学的に確定診断された87症例（RAC 67例、RNET 20例）を対象とした、単一施設による後方視的診断研究である。コホートは、訓練セット（ $n=44$ ）と内部検証セット（ $n=43$ ）にほぼ1:1の割合で分割された。

データ取得および前処理： 解析は、治療前の非造影CT画像に限定した。様々なスキャナーからの画像を等方性 $1\times1\times1$ mm³ ボクセルにリサンプリングし、グレーレベルの離散化は固定ビン幅25で行った。
関心領域（ROI）のセグメンテーション： 放射線科医が腫瘍内のROIを手動で描画し、その後、それらを拡張して3mmおよび5mmの腫瘍周囲領域を作成した。内・観察者間および観察者内再現性は、級内相関係数（ICC）を用いて評価し、安定した特徴量を抽出するために $\ge0.80$ を閾値とした。
特徴量抽出および選択： PyRadiomicsを用い、各領域につき計1,561個のラジオミクス特徴量を抽出した。特徴量選択は、訓練コホートに限定された厳格なパイプラインに従って行われた：
1. 再現性フィルタリング（ICC $\ge0.80$ ）。
2. 単変量統計検定（ $P<0.05$ ）。
3. Spearman相関（ $|\rho| \ge 0.90$ ）による冗長性の除去。
4. 最大関連最小冗長性（mRMR）によるランキング。
5. LASSO回帰による最終選択を行い、領域別ラジオミクススコア（RadScore）を生成した。
臨床変数： 候補となる臨床変数は、年齢、性別、T/N/Mステージ、転移ステータス、腫瘍径、および腫瘍マーカー（AFP、CEA、CA125、CA19-9）とした。選択にはFirthロジスティック回帰およびLASSOを用いた。
モデル開発： 5つの分類器（LR, RF, XGB, SVM, KNN）を評価した。9つの特徴量構成（臨床のみ、単一領域ラジオミクス［腫瘍内、3mm、5mm］、結合ラジオミクス、および臨床・ラジオミクス融合モデル）をテストした。一貫した性能を示したため、代表的なアルゴリズムとしてExtreme Gradient Boosting（XGB）を選択した。
評価： モデルは、AUROC、較正曲線、決定曲線分析（DCA）、および二群比較のためのDeLong検定を用いて評価された。モデルの解釈可能性は、SHAP（Shapley Additive Explanations）に基づく確率サロゲートを用いて探索された。

主な結果

特徴量の安定性： ICCフィルタリング後、1,240個（腫瘍内）、1,074個（3mm腫瘍周囲）、および1,130個（5mm腫瘍周囲）の安定した特徴量が保持された。最終的なLASSO選択により、各領域に対して8つの特徴量が抽出された。
識別性能：
- 単一領域モデルの中では、3mm腫瘍周囲のXGBモデルが、内部検証における最高AUROC 0.762（95% CI: 0.595–0.911）を達成し、腫瘍内（0.732）および5mm腫瘍周囲（0.717）のモデルを上回った。
- 臨床・ラジオミクス融合XGBモデル（臨床変数と3つの全RadScoreを結合）は、内部検証における最高AUROCの点推定値として0.879（95% CI: 0.721–0.982）を示した。
- 両コホートにおいて、臨床、ラジオミクス、および融合モデル間の二群DeLong比較は、統計的に有意ではなかった（ $P > 0.05$ ）。
閾値感度： 訓練コホートから導出されたYouden閾値において、融合モデルは内部検証セットで**0.700の偽陰性率（FNR）**を示し、高いAUROCがこの特定の動作点において高い感度には結びつかないことを示した。
特徴量の重要度： SHAP解析により、融合モデルにおいて最も影響力のある変数は3mm腫瘍周囲のRadScoreであり、次いで5mm腫瘍周囲のRadScoreおよびTステージであることが明らかになった。

意義および主張
著者らは、本研究を臨床的な一般化を確認するものではなく、探索的かつ仮説生成的な研究として位置づけている。論文の主張は以下の通りである：

腫瘍周囲の情報は価値がある： 非造影CTの腫瘍周囲ラジオミクス、特に3mmの拡張領域は、腫瘍内ROI単独では捉えられない腫瘍・宿主界面の特性（例：間質反応、微小血管系）を捉える補完的な識別情報を提供する可能性がある。
融合モデルの実現可能性： 臨床変数とマルチスケール・ラジオミクスを統合することで、内部検証における最高AUROCの点推定値が得られたことは、画像表現型と臨床的な疾患の広がりが補完的な信号を提供していることを示唆している。
限界と今後の課題： 著者らは、本研究が小規模な単一施設コホートによるものであること、外部検証が行われていないこと、および選択された特徴量が偽発見率（FDR）補正を通過していないことを明記している。彼らは、本モデルは臨床実装の準備が整っていないことを強調している。臨床応用を行う前に、「ロックされた」モデルには独立した多施設コホートでの外部検証が必要であり、また、訓練由来のカットオフ値で観察された高い偽陰性率に対処するために、動作閾値を再校正する必要がある。

要約すると、本研究は、非造養CTラジオミクスを用いて直腸腺癌と直腸神経内分泌腫瘍を識別することの技術的な実現可能性を示しており、特に3mm腫瘍周囲領域の有用性を強調しているが、現在の臨床的有用性については慎重な姿勢を維持している。

関連論文