DCE-MRI Radiomics-Based Tumor Habitat Analysis for Three-Class Prediction of HER2 Expression Status in Breast Cancer

ビッグピクチャー：乳がんを「読み解く」ための新しい方法

乳がんは、単なる固まった粘土の塊ではなく、活気にあふれた多様な「都市」であると想像してみてください。この都市の中には、それぞれ異なる「個性」を持つさまざまな「近隣地域（ネイバーフッド）」が存在します。ある部分は非常に忙しく、成長が速い一方で、別の部分は静かで動きが緩やかです。

長い間、医師たちは腫瘍がHER2と呼ばれる特定のタンパク質を持っているかどうかを判断しようとしてきました。HER2を、がんが使う「燃料の種類」だと考えてみてください。もしがんがこれを大量に持っていれば（HER2陽性）、それは特定のハイオク燃料で走っています。もし全く持っていなければ（HER2ゼロ）、別の種類の燃料で走っています。

最近、医師たちはその中間領域である**HER2低発現（HER2-low）**を発見しました。これは、その特別な燃料をごく微量にしか使わない車のようなものです。この発見は、従来の「イエスかノーか」というルールを、「高い・低い・なし」というシステムへと変えました。

問題点： 腫瘍がどの種類の燃料を使っているかを知るために、通常、医師は細い針で生検（サンプル採取）を行う必要があります。しかし、生検は、その巨大な都市の中の「たった一つの街角」を写真に撮るようなものです。その結果、他の地域を見逃してしまったり、結果が出る頃にはサンプルが古くなってしまったりする可能性があります。

解決策： この論文は、腫瘍を傷つけることなく、都市全体を俯瞰するための新しい方法を提案しています。彼らは特殊なMRIスキャン（DCE-MRI）とコンピュータープログラムを使用して、腫瘍内部にある異なる「近隣地域」をマッピングする方法を用いました。

---

どうやって行ったのか：「都市マップ」の比喩

1. データの収集（集団）
研究者たちは、中国の2つの病院から集めた502人の乳がん患者の診療記録を調査しました。彼女たちは以下の3つのグループに分けられました。

• 学習セット（Training Set）： レッスンを受けている生徒たち（401人）。
• 検証セット（Validation Set）： 練習テスト（50人）。
• テストセット（Test Set）： 最終試験（51人）。

2. 「生息地（ハビタット）」の分析（近隣地域のマッピング）
腫瘍を一つの大きな塊として見るのではなく、コンピューターは**「ハビタット分析（Habitat Analysis）」**という手法を用いました。

• 腫瘍が、色とりどりのゼリービーンズが入った瓶であると想像してください。
• コンピューターは、MRIスキャンの見た目に基づいて、ゼリービーンズを明確な山へと分けるために、3つの異なる選別方法（ふるい、磁石、またはカラーソーターのようなもの）を使用しました。
• これらの山が**「ハビタット（生息地）」**です。各ハビタットは、腫瘍内部にある特定の種類の組織を表しています。

3. 「指紋」の抽出
腫瘍がこれらの近隣地域に分類された後、コンピューターはそれぞれの地域について、何百もの微細な詳細を測定しました。以下の項目を調べました。

• 形状： その地域は丸いか、ギザギザしているか、あるいは平坦か？
• テクスチャ（質感）： その表面は滑らかか、それとも凹凸があるか？
• 明るさ： 造影剤を注入したとき、その組織はどのように光るか？

彼らは、これらの「指紋」となる詳細データと、患者の病歴（年齢、家族歴、その他のホルモンレベルなど）を組み合わせ、完全なプロフィールを作成しました。

4. 教師（機械学習）
これらのデータを、非常に賢いコンピュータープログラム（LightGBMと呼ばれる機械学習モデル）に投入しました。このプログラムは、何千もの症例を研究してきた「探偵」のようなものです。プログラムは次のようなパターンを学習しました。「ギザギザした地域が滑らかな地域の隣にあり、かつ患者に家族歴がある場合、それは通常、HER2低発現であることを意味する」。

---

何がわかったのか：結果

探偵は正解を出した
コンピューターモデルは、一度も見せたことのない「最終試験」グループ（51人）に対してテストされました。

• 精度： モデルは正しい燃料タイプ（HER2の状態）を予測することに非常に長けていました。その正確性スコア（AUC）は0.865でした。医療検査の世界では、これは非常に優秀であるとみなされます。
• 「低発現」のブレイクスルー： モデルは、特に判別が難しいHER2低発現グループの特定において優れた能力を発揮しました。これは、標準的な生検では特定が困難なグループであるため、非常に重要です。

何がモデルを賢くしたのか？
研究者たちは、コンピューターに「なぜその推測をしたのか？」と問いかけるために、SHAPというツールを使用しました。

• コンピューターは、特定の「近隣地域」の特徴、例えば、異なる組織タイプ間の境界の複雑さや、テクスチャ内のエントロピー（ランダムさや混沌の度合い）を指摘しました。
• 本質的に、モデルは、たとえ外見が似ていても、HER2レベルが異なれば腫瘍の「内部」は異なって見えるということを学習したのです。

医師にとって有用か？
彼らは「決定曲線分析（Decision Curve Analysis）」を実施しました。これは、「もし私が治療方針を決める際にこのコンピューターツールを使ったら、単に推測したり古い方法を用いたりする場合よりも、より良い選択ができるだろうか？」と問いかけるようなものです。

• 答え： はい、特にHER2低発現の患者においてです。このツールを使用することで、医師は誰に特定の治療が必要かを判断する際、より良い決断を下せるようになります。
• 他の2つのグループ（HER2ゼロおよびHER2高発現）については、医師が従来の手段を用いてすでに非常に高い精度で判別できているため、このツールによる付加価値はあまりありませんでした。

---

まとめ

この研究は、特殊なMRIスキャンとスマートなコンピューターを用いることで、乳瘍の内部を覗き込み、その「近隣地域」をマッピングできることを示しています。これらの内部マップを分析することで、コンピューターは危険を伴う、あるいは不完全な可能性のある針生検を行うことなく、腫瘍がHER2高発現なのか、HER2低発現なのか、あるいはHER2なしなのかを正確に判断できます。

重要なポイント： 最もエキサイティングな点は、この手法がHER2低発現というカテゴリーに光を当てていることです。これは、過去にこれまで見逃されたり、誤って分類されたりしていた可能性のある、極めて重要な新しい患者グループです。

注：著者らは、本研究が比較的少人数のグループで行われたものであり、あらゆる人に通用することを証明するためには、将来的にさらに大規模なグループでの検証が必要であることを認めています。