深層学習研究に基づく術後肺機能評価

低用量CTスクリーニングの進歩により、早期非小細胞肺癌（NSCLC）の診断が増加しており、外科的切除―通常は肺葉切除術または区域切除術―が主要な根治的選択肢となっています。 しかし、香港では患者が慢性呼吸器疾患や心血管疾患などの併存疾患を頻繁に有しており、健康な肺組織の保存が長期的な生活の質にとって極めて重要です。 肺葉切除術や区域切除術などの従来の外科的切除は、機能保存の点で一定の限界があります。 対照的に、ロボット/ナビゲーション気管支鏡下アブレーションは、近年新たな低侵襲内視鏡治療戦略として登場しました。 この手法は一部の施設で実施されており、術後の回復が速い、侵襲が少ない、肺機能の保存が改善されるなどの潜在的な利点を示しています。 先進的なナビゲーションシステムを活用することで、気管支鏡下アブレーションは肺結節の正確な位置特定とアブレーションを可能にし、従来の手術で必要とされる健康な肺組織の広範囲な切除を回避します。 これらの利点は、患者の長期的な生活の質と生存率の向上に寄与することが期待されています。

さらに、FEV₁や一酸化炭素肺拡散能などの従来の肺機能検査は、呼吸能力の全体的な評価しか提供せず、区域切除術や肺葉切除術後に生じる肺機能の局所的な変化を完全には捉えられない可能性があります。 同様に、基本的なCT体積測定は、区域気道分布、微小血管ネットワーク、局所的な肺胞コンプライアンスなどのより詳細な解剖学的詳細を見落としています。 さらに、現在、ロボット/ナビゲーション気管支鏡下アブレーションと従来の外科的切除との間で、術後肺機能と長期的転帰に関する直接的な比較研究はほとんどありません。 研究助成評議会の支援を受けて、我々の2019年からの研究はこの技術の実現可能性と安全性を検証し、広く認知され、多数の論文発表に至りました。 しかし、既存の研究のほとんどは後ろ向き研究または単一施設データに基づいており、主に短期的な安全性と技術的実現可能性に焦点を当てています。

これらの限界に対処するため、3D-CT画像と機械学習（ML）を活用した統合的アプローチが提案されています。 機械学習は、アルゴリズムを用いてデータから自動的に学習し、予測や決定を行う技術です。 深層学習（DL）はMLの一分野であり、多層ニューラルネットワークを利用して、複雑で高次元のデータから効果的に特徴を抽出しパターンを認識します。 ML、特にDLは、病変検出、組織セグメンテーション、転帰予測など、様々な医療画像応用において顕著な潜在能力を示しています。 高次元データ内の複雑なパターンを自動的に学習することで、MLおよびDLモデルは従来の分析では見落とされがちな微妙な放射線学的特徴を解釈できます。 NSCLCの3D-CT画像の文脈では、畳み込みニューラルネットワークなどのDLアーキテクチャが、体積スキャンから詳細な特徴を抽出し、腫瘍のサイズ、形状、位置の堅牢な定量化、および肺実質の精緻な評価を可能にします。 肺機能パラメータや臨床データと統合されることで、これらのアルゴリズムは予測モデルを生成し、リスクの高い患者を早期に特定し、個別化された治療計画を導く強力な手段を提供します。 さらに、ML駆動のアプローチは時間とともに進化するデータセットに適応し、その性能を継続的に洗練・改善できます。 この拡張性と適応性は、前向き研究において特に価値があり、異なる治療戦略の長期的影響を評価するために大規模でマルチモーダルなデータセットが収集されます。 したがって、MLとDLを本研究に組み込むことは、転帰予測の精度を高めるだけでなく、肺機能の動的で個別化された評価のための標準化された枠組みに貢献し、より情報に基づいた臨床的意思決定を導きます。

本研究の主な目的は、区域切除術が肺葉切除術よりも真に優れた機能保存を提供するかどうか、ロボット/ナビゲーション誘導気管支鏡下アブレーションが従来の外科的切除と比較して実際に優れた肺機能保存を達成するかどうか、およびどの特定の患者条件下で各アプローチが最大の利益をもたらす可能性があるかを明らかにすることです。 前向きで十分に設計された調査を行うことで、本研究は長期的機能転帰に関する証拠の重要なギャップを埋め、最も適切な切除タイプを選択するためのより明確な基準を提供します。 さらに、標準化された統合的評価ツールの導入は、手術の意思決定と術後ケアを最適化する可能性があり、最終的には香港の早期NSCLC患者の生存率と生活の質を向上させ、他の医療環境におけるベストプラクティスに情報を提供する可能性があります。