A multimodal CT-based machine-learning model for differentiating pulmonary sarcomatoid carcinoma from conventional non-small cell lung cancer: an internally validated study

肺がんは単一の疾患ではなく、共通の部位を共有するさまざまな病態の集合体です。これらの中でも、肺肉腫様癌と呼ばれる稀で侵襲性の高い形態は、外科医が顕微鏡による組織学的検査のために組織片を取り除く前には、特定することが特に困難です。より一般的なタイプの肺がんと異なり、この特定の変異体は挙動が異なり、しばวะ個別の治療アプローチを必要とします。医師にとっての課題は、体の詳細な断面を作成するためにX線を使用する標準的なスキャン（画像診断）では、この稀な癌が一般的なものと全く同じように見えてしまうことが多い点にあります。明確な視覚的差異がないため、患者は正しい診断を受けるまでに時間がかかったり、自身の特定の病状に完全に適した治療計画を受けられなかったりする可能性があります。

この不確実性に対処するため、研究チームは、人間の目が見逃してしまう微妙な違いをコンピュータが識別することを学習できるかどうかを検証することに乗り出しました。彼らは、3つの異なる医療センターにわたる約400人の患者のスキャンデータを収集しました。その内訳は、稀な肉腫型が83名、従来型が314名でした。研究者たちは、このデータを、大量の情報セットの中からパターンを見つけ出すように設計されたソフトウェアの一種である機械学習システムに投入しました。彼らは、コンピュータに教えるためのいくつかの異なる方法をテストしました。ある手法は、患者の病歴とスキャンからの基本的な観察結果のみに依存し、別の手法は腫瘍の数学的なテクスチャ（質感）のみに着目し、さらに第三の手法は、他の何百万もの画像から学習した複雑な学習済み人工知能システムを使用するというものでした。彼らはまた、最善の結果が得られることを期待して、これらすべての情報源を組み合わせたモデルも構築しました。

研究の結果、最も成功したアプローチは、患者の臨床的詳細と腫瘍のテクスチャの詳細な分析を融合させたものでした。この組み合わせモデルは、高い精度で稀な癌と一般的な癌を区別することができ、稀なタイプを約86%の割合で正しく特定し、それ以外の場合も約76%の割合で正しく除外できました。コンピュータがこの決定を下す上で役立った主要な物理的特徴は、腫瘍内の低吸収域の存在でした。これは本質的に、周囲の塊よりも密度が低いことを示唆する、スキャン上で暗く見える組織のポケットです。これらの暗いポケットのサイズと存在は、この稀な疾患の形態と強く関連していました。

しかし、研究者たちは何がうまくいかなかったかも発見しました。多くの人が最も強力なツールであると予想するであろう、複雑な学習済み人工知能システムは、独自の有用な情報を追加することに失敗しました。このシステムは、2つのタイプの癌を判別しようとする際、ランダムな推測と同程度の性能しか示しませんでした。さらに、チームは、スキャンの撮り方（例えば、CT装置の特定のセッティングや、スキャンが行われた病院など）が、結果に驚くほど大きな影響を与えていることに気づきました。実際、画像のキャプチャ方法の違いは、時としてそれ自体でグループを分離できるほど強力でした。このことは、コンピュータが組織の真のパターンを見出した一方で、その成功の一部が、異なる病院間の技術的な差異に影響されていた可能性があることを示唆しています。

こうした技術的な影響があるため、著者らは、このツールはまだ病院で最終的な決定を下すために使用できる段階にはない、と警告しています。このモデルは、学習に使用したデータに対してのみテストされており、異なる装置や異なる患者集団のスキャンに対して機能するかどうかはまだ証明されていません。研究者らは、自らの研究を、特に腫瘍のテクスチャや、それらの暗く密度の低い領域の存在を詳細に検討することの価値を浮き彫りにした、有望な重要な一歩であると述べています。彼らは、このようなモデルによる否定的な結果が稀な癌を排除できるわけではないことを強調しており、この技術が医師を助けることができるようになる前に、スキャンが標準化された方法で撮影される、より広範な環境で検証される必要があると強調しています。それまでは、確定診断への道は、依然として組織を顕微鏡下で検査するという伝統的な手法に依存しています。