Habitat Imaging Combined with Multiscale Peritumoral Radiomics and Pathological STAS Status for Predicting Early Postoperative Recurrence in Stage T1 Non-Small Cell Lung Cancer

肺がんは依然として世界におけるがん関連死亡の主要な原因であり、早期段階の患者にとっては、手術がしばしば標準的な治療法となります。しかし、手術が成功した後であっても、一部の患者はがんが再発するという重大なリスクに直面します。「肺胞内進展（spread through air spaces）」として知られる特定の生物学的特徴は、強力な警告サインとして機能します。これは、がん細胞が主腫瘍から離脱し、肺の微細な肺胞内へと自由に浮遊する現象であり、この挙動は疾患の再発率を高めます。問題は、医師がこの危険な特徴を確認できるのは、腫瘍が摘出され顕微鏡で検査された後だけであり、手術を開始する前にリスクを予測する方法がないことです。これを解決するために、研究者たちは「ラジオミクス」と呼ばれる分野に注目しました。これは、医療画像を単なる画像としてではなく、膨大な隠れたデータの源泉として扱うものです。スキャン内の光や質感の微妙なパターンを分析することで、コンピュータは人間の目には見えない詳細を検出し、手術が行われる前に腫瘍の真の性質を知るための潜在的な窓を提供します。

中国の山西貝徳病院の研究チームは、早期肺がんが術後に再発するかどうかを予測する新しい手法を開発しました。彼らは、通常は予後が良いものの、依然として無視できない再発リスクを抱えているグループである、ステージT1の非小細胞肺がん患者に焦点を当てました。研究チームは、患者の臨床的詳細、肺胞内進展の生物学的状態、そして腫瘍の内部構造とその直近の周囲環境に関する深い分析という、3つの異なる種類の情報を組み合わせた高度なコンピュータモデルを作成しました。彼らの目標は、医師が高リスク患者をより早期に特定し、よりパーソナライズされた経過観察計画や治療決定を行えるよう支援するツールを構築することでした。

このモデルを構築するために、研究者たちは2019年から2022年の間に早期肺がんの手術を受けた216人の患者の記録を遡りました。彼らはこれらの患者を、コンピュータを学習させるための大きなグループと、コンピュータがいかに学習したかをテストするための小さなグループの2つに分けました。チームはまず、患者の胸部CTスキャン（肺の詳細な3D画像）の検討から始めました。腫瘍を単一の均一な塊として扱うのではなく、「ハビタット・イメージング（habitat imaging）」と呼ばれる手法を用いました。この手法は、ピクセルがどのように見え、どのように振る舞うかに基づいて、腫瘍をより小さく明確なサブ領域へと分解するものです。これは、地質学者が一つのフィールドの中に異なる種類の土壌をマッピングするようなものです。これらの微細な領域をグループ化することで、コンピュータは標準的なスキャンでは見逃してしまうような、腫瘍内部の複雑で不均一な景観を捉えることができました。

研究者たちは腫瘍そのもの以外にも目を向けました。彼らは腫瘍のすぐ周囲の組織を分析し、腫瘍の端から1ミリ、3ミリ、5ミリの距離に分析用のリングを作成しました。腫瘍のすぐ隣の環境は、がんがいかに攻撃的に成長しているかについてのヒントを保持していることが多いことを彼らは知っていました。彼らはこれらのゾーンから、腫波の形状から組織の質感に至るまで、数千もの数値的特徴を抽出しました。そして、これらのイメージングの詳細を、年齢や性別などの患者の病歴、および肺胞内進展の有無を確認した病理学的検査の結果と組み合わせました。

チームは、どのコンピュータ学習アルゴリズムが再発を最もよく予測できるかを確認するために、いくつかの異なるアルゴリズムをテストしました。その結果、臨床因子、腫瘍の内部「ハビタット」、および腫瘍周囲の3ミリメートルのリングの要素をすべて組み合わせたモデルが最も優れた性能を示すことがわかりました。テストグループにおいて、この結合モデルは、スコア0.865に相当する精度で再発のリスクを正しく特定しました。これは、臨床データのみ、腫瘍内部のパターンのみ、あるいは周囲の組織のみに依存したモデルよりも大幅に優れていました。この研究は、腫瘍周囲の3ミリメートルのゾーンが周囲環境に関する最も有用な情報を提供していることを示しており、腫瘍のすぐ隣の環境がその挙動を理解する上で極めて重要であることを示唆しています。

また、研究者たちは、特定の要因が再発の独立した予測因子であることを確認しました。これらには、スキャン上の「空胞徴候（vacuole sign）」と呼ばれる特定のサイン、患者の性別、肺胞内進展の存在、腫瘍が近くの肺膜を牽引する様子、および腫瘍の最大径が含まれます。コンピュータモデルが肺胞内進展の状態を詳細なイメージングデータと統合したとき、単一の情報が単独で提供できるものよりも、はるかに明確なリスクの全体像を作り上げました。モデルは、がんのないままでいられる患者と、疾患の再発を経験する患者を高い信頼性で区別することができました。

有望な結果ではあるものの、著者らは自らの研究には限界があることも述べています。本研究は中規模の患者数を扱う単一の病院で行われたものであり、データは特定の集団に由来するため、モデルを広く使用できるようになる前に、より大規模で多様な集団でテストする必要があります。さらに、腫瘍領域のマッピングプロセスは手動で行われており、時間がかかるものですが、将来的な自動化技術の進歩がこれを加速させる可能性があります。こうした障害はあるものの、本研究は、腫瘍の微細な生物学からスキャンのマクロなパターンに至るまで、異なる層の情報を組み合わせることが、強力な予測ツールを生み出すことを実証しています。

この研究は、早期肺がんの管理に向けた実用的な道筋を提示しています。腫瘍の内部の多様性とその直近の環境を分析する非侵襲的なアプローチを用いることで、医師は近い将来、より高い精度で再発リスクを予測できるようになるかもしれません。これにより、高リスクの患者には必要な注意と治療が行われ、低リスクの患者は不要な介入から免れるといった、個別化された術後ケアが可能になります。本研究は、がんケアの未来が、単に腫瘍を見るだけでなく、その形、周囲の環境、そして隠された内部構造を通じて腫瘍が語る複雑な物語を理解することにあると示唆しています。