結腸直腸肝転移切除後の再発予測における人工知能の利用 (AI-RECOLMET)

大腸がん（CRC）は、世界で3番目に多いがんであり、がん関連死の原因として4番目に多いものです。生存率は主に病期と転移の有無によって決まります。転移性大腸がん患者の5年生存率は12〜19％であるのに対し、限局性疾患の患者では90％であり、大腸がん肝転移（CRLM）はCRC患者の30〜50％に発生し、CRC関連死の3分の2の原因となっています。CRLM治療の最近の進歩により、患者の全生存期間（OS）は6ヶ月から5年生存率25〜40％に増加しました。化学療法と肝切除の組み合わせは、CRLM患者において最も高い生存利益をもたらす治療オプションのままです。手術は依然として唯一の公認された根治的治療法である一方、現代の化学療法は、生物学的製剤の導入にも助けられ、肝転移患者の反応率と生存率を向上させ、切除率（すなわち、薬物療法後の腫瘍縮小により手術可能となった患者数）の向上にも貢献しています。

肝臓の転移が完全に切除されれば（医学用語で「切除」）、最大30％の患者が治癒する可能性があります。手術が考慮されるためには、技術的な観点から腫瘍学的疾患が根治的に切除可能でなければなりません。同時に、切除後も生命を維持するのに十分な量の正常な肝臓を残す必要があります。従来の根治的治療に代わる方法として、熱凝固療法、化学塞栓療法、放射線療法などの局所療法も、CRLM患者の管理に使用されています。特に、CRLMの局所治療は、ラジオ波またはマイクロ波に基づく熱凝固療法の恩恵を受けることができます。実際、切除可能な肝転移に対しては切除が局所治療の選択肢として残っているものの、選択された患者においては、健康な肝実質を温存する助けとなり、同様の利益を提供する可能性があります。

これらの予後の大幅な改善にもかかわらず、多くの患者（ほぼ半数）は、局所治療の組み合わせ後に再発を経験します。非外科的療法の改善により、再発した患者は切除ではなく非外科的治療を受ける可能性があります。したがって、周術期の罹病率／死亡率のリスクと再発リスクをバランスさせながら、治療後の予後を正確に推定することに基づいて、患者の治療戦略を最適に定義することが極めて重要です。これらの再発患者を事前に特定することは、無益な手術を回避したり、薬理学的補助（すなわち術後）治療に割り当てたりするために重要です。

CRLM患者のほとんどは、約60％の症例で反応確率のある術前化学療法プログラムを受けます。化学療法プログラムの医療費と生物学的コストは大きなものです。さらに、現在いくつかの化学療法レジメンが存在しますが、どのレジメンがどの患者に有効かを示すデータは不足しています。これらの反応患者を事前に特定することは、臨床的利益のない無益な化学療法を回避し、薬理学的ネオアジュバント（すなわち術前治療）への割り当ての選択や、補助療法レジメンの選択を導く上で非常に決定的です。逆に、最も適切な治療アプローチを選択するために、早期に反応者と非反応者を区別することが重要です。

患者と疾患の臨床的特徴は、放射線画像とともに、疾患の範囲を評価し、治療への反応を評価し、薬物毒性と再発を特定するのに不可欠なツールであることが証明されています。いくつかの研究では、テクスチャ特徴分析が、放射線科医が視覚的に検出可能になる前に肝転移を定量的に検出できる可能性があると示唆しています。しかし、CRLMの予後を予測する上で、これらの従来の因子だけの価値は限られています。多因子予後スコアリングシステムは、肝切除後の潜在的な再発予測因子として近年開発されていますが、適用可能性、感度、特異性においてまだ限界があります。CRLM患者における新規で正確な予後指標が緊急に必要とされています。具体的には、局所治療（肝切除、熱凝固療法の有無を問わず）後の疾患再発の確率と化学療法への反応が異なる患者を事前に特定し、リスクに基づいた治療と資源の割り当てを洗練するための臨床的必要があります。ご存知の通り、人工知能（AI）は、特定のタスクで人間を支援するために人間の知能と行動をシミュレートすることを目的としたコンピュータサイエンスの一分野です。医療の広範なデジタル化は大量のデータを生成し、高性能コンピューティングのアクセス可能性とともに、AI技術は、局所治療および化学療法後のCRLM再発と反応の推定における実際の限界を克服し、現在の慣行に比べてより細かな治療への割り当てを実現するために適用できます。

コンピュータ断層撮影（CT）は、ほとんどのCRLM患者の病期分類と経過観察に選択される画像診断法です。しかし、多くの要因が再発とOSに影響を与える可能性があります。例えば、最大25％の病変が見逃される可能性があります。メタアナリシスでは、造影CTの肝病変検出における感度と特異度はそれぞれ82％と84％であると報告されています。しかし、1cm未満の病変では、感度は31〜38％に低下します。MRIはCRLMを検出する最も正確な方法ですが、実際には通常二次的なツールとして使用されます。MRIは、10mm未満の小さな病変でも検出および特徴付けが可能であり、放射線被曝の危険がないという利点があります。肝細胞特異的造影剤は、肝転移の検出において95％の感度を持ちます。

その価値にもかかわらず、視覚的なCTおよびMRI評価は、局所腫瘍進行の高リスクの早期指標となる可能性のある病変内の灌流変化や壊死変化などの微小構造変化を評価することができません。また、画像品質が悪いと、すべての転移を認識できない可能性があります。したがって、テクスチャ分析やラジオミクスを使用して、画像品質を最適化し、定量的画像の使用を促進するAIベースのツールの使用への関心が高まっています。ラジオミクスは、機械学習（ML）モデルと組み合わせて医療画像から大量の定量的特徴を抽出し、臨床エンドポイントを予測するものです。最近、ラジオミクスは、さまざまな腫瘍タイプにおける臨床転帰の予後／予測指標として、またマイクロ波焼灼術で治療されたCLRMに関する有望な結果を持つ生存分析として研究されています。しかし、肝臓およびCRLMに関する証拠は少なく、いくつかの研究では、テクスチャ特徴分析が放射線科医が臨床アプローチを変更する際に定量的に役立つ可能性があると示唆しています。

すべてのラジオミクス特徴は、放射線科医が視覚的に検出可能になる前に肝転移を検出することを目的としたニューラルネットワークのトレーニングにも役立ちます。

したがって、本研究は、多因子（臨床的およびラジオミクスを含む）MLモデルが、化学療法後の進行リスクが高く、肝切除後に再発するCRLM患者を特定できるかどうかを評価することを目的としています。モデリングフェーズは、Azure Cloud上のAzure Machine Learningに基づくD34HealthのS-RACE上で行われ、計算インスタンスやJupyter Notebookなどのモデリングツール、組み込みのコラボレーションおよびプライバシーツールとともに、問題をモデル化するために必要な有用なツールと方法を提供します。

さらに、臨床データの付加価値は、より良い転帰予測のために臨床的および組み合わせモデルを構築するために使用できます。

本研究は、観察的、後ろ向き研究、単施設研究として構成されています。適格基準に従って、当院環境でCRLMに罹患し、肝切除術を受けた対象者が選択されます。