CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

大腸がんは、身体の未来を予測する能力が、病気そのものの経過と同じくらい不確実になることが多い疾患です。現在、医師は「ステージング」と呼ばれるシステムに頼って、腫瘍がどのように振る舞うかを推測しています。このシステムは、腫瘍がどの程度深く成長したか、また近くのリンパ節に転移しているかに基づいて、がんをグループ分けします。この手法は標準的な決定方法ではありますが、完璧ではありません。同じステージであっても、患者によって結果は大きく異なることがあります。ある患者は手術のみで完治する一方で、別の患者は5年以内にがんが再発することもあります。この不確実性により、医師は患者が手術を受ける前に、適切な治療法を選択することに苦慮しています。現代医学の目標は、手術のためにすでに撮影されている画像を用いて、切開することなく腫瘍の生物学的特性を見抜く方法を見つけ出すことです。

スペインの研究チームは、標準的なCTスキャンに隠された詳細をコンピュータに読み取らせることで、この目標に向けた一歩を踏み出しました。これらのスキャンは、手術前に転移を確認するために医師が行う、三次元のX線写真です。研究者たちは「ラジオミクス」と呼ばれる分野に焦点を当てました。これは、医療画像を単なる人間の目による画像としてではなく、膨大なデータのライブラリとして扱うものです。医師はスキャンを見て腫瘍の形状や大きさを見ますが、コンピュータは、肉眼では見えないグレーの階調やテクスチャ（質感）の中にある数千もの微細なパターンを測定できます。これらのパターンは、腫瘍内部の細胞がどのように配置されているか、あるいはどれほど攻撃的であるかを反映している可能性があります。これらの微妙なテクスチャを分析することで、研究者たちは、2つの特定のステージの大腸がんを区別し、どちらの患者が再発しやすいかを予測できるツールを構築したいと考えました。

この研究には、大腸がんと診断され、手術前にCTスキャンを受けた104人の患者が参加しました。研究者たちは、データをクリーンで焦点の絞られたものにするため、稀な遺伝的疾患や他の種類のがんを持つ患者を除外して、特定の患者グループを対象としました。彼らはCT画像を使用し、主要な腫瘍の輪郭を手動で三次元的にトレースし、がんの体積の精密なデジタルマップを作成しました。このマップから、コンピュータは105種類の異なる測定値を抽出しました。これらの測定値は、腫瘍の形状、内部の明るさの分布、および表面の複雑なテクスチャを記述するものです。チームは、これらの画像測定値と、年齢や性別などの基本的な患者情報を組み合わせ、一連の数学的モデルを構築しました。

これらのモデルが機能するかどうかをテストするため、研究者たちは患者グループを2つのセットに分けました。一方の大きなグループを使用してコンピュータにパターンの認識方法を学習させ、もう一方の小さなグループを最終試験用として残しました。コンピュータは、特定の105の測定値の組み合わせが、どのような結果に関連しているかを学習しました。最初の課題は、モデルがステージIIとステージIIIの大腸がんの違いを判別できるかどうかを確認することでした。この区別は極めて重要です。なぜなら、ステージIIIの患者は通常、手術後に化学療法を受けますが、ステージIIの患者はそうでない場合が多い一方で、一部のステージIIの患者は依然として再発するためです。モデルは、術前の画像のみに基づいて、これらのステージを識別することを学習しました。最終テストにおいて、モデルは、約76パーセントの割合でこれら2つのステージを正しく区別できました。特にステージIIの症例を見分ける能力が高く、ステージIIを約89パーセントの精度で正しく特定しました。

第二の、そしておそらくより重要な課題は、患者が5年以内に再発するかどうかを予測することでした。これは、病気の将来の挙動を推測することを含むため、はるかに難しい予測です。研究者たちは、最適なものを見つけるために、いくつかの異なるコンピュータ学習法をテストしました。その結果、多くの異なる変数間の関係を一度に探る特定のタイプのモデルが最も優れた性能を示すことがわかりました。このモデルは高い精度を達成し、テストグループにおいて91パーセントのケースで再発リスクを正しく予測しました。このモデルは非常に敏感であり、再発する患者を見逃すことがほとんどなく、それらのケースの95パーセントを捉えました。研究では、各ステージ内の患者についても個別に調査を行いました。ステージIIの患者のみ、あるいはステージIIIの患者のみを見た場合でも、モデルは強力な予測力を維持しており、これはスキャン上の腫瘍のテクスチャが、公式のステージに関わらずリスクに関する情報を持っていることを示唆しています。

研究結果は、CTスキャンにおける腫瘍の視覚的なテクスチャが、現在のステージング方法が見落としている生物学的な振る舞いの手がかりを保持していることを示唆しています。研究者たちは、スキャン上でより均一で同質なパターンを持つ腫瘍は、再発しなかった患者に属する傾向がある一方で、より混沌とした不均質なテクスチャを持つ腫瘍は、再発リスクが高いことに関連していることを観察しました。これは、画像上の乱れた不規則なテクスチャが、より攻撃的で無秩序な腫瘍の生物学を反映している可能性があるという考えと一致しています。この研究は、これらのパターンががんの振る舞いを引き起こすことを証明したわけではありませんが、画像データと患者の転帰との間に強い関連があることを示しました。チームは、この研究が単一の病院で行われ、比較的少数の患者を対象としたこと、またコンピュータモデルがその同じ施設からのデータで訓練・テストされたという点に限界があると述べています。彼らは、これらのモデルが現実世界で機能することを確認するために、異なる病院からのより大規模なグループでテストされる必要があることを認めています。

この研究は、治療開始前の大腸がんに対する新しい視点を提供しています。手術によって腫瘍の全容が明らかになるのを待つ代わりに、医師はいつの日か、これらの画像ベースのツールを用いて、患者が直面するリスクのより明確なイメージを得ることができるかもしれません。もしこれらのモデルが将来の研究で検証されれば、医師が誰に化学療法が必要で、誰が化学療法なしでも安全であるかを判断する助けとなり、一部の人々への不要な治療を減らし、同時に必要なケアを確実に受けられるようにすることができるでしょう。この研究は現在のステージングシステムに取って代わるものではなく、スキャンからのこれらの定量的詳細を加えることで、システムを改善できる可能性を示唆しています。現時点では、結果は、日常的な術前画像を深い予測的洞察の源へと変える、大腸がん治療へのよりパーソナライズされたアプローチに向けた有望な一歩として残っています。