マルチモーダルMRIベースのラジオミクスを用いた乳癌の組織学的グレーディングと予後評価への応用

TNM病期分類に加えて、現在の乳がん管理は、従来の病理学的特徴に基づいており、これらの特徴は疾患を3つの分子サブタイプに分類し、それぞれが臨床実践において重要な予後関連性を持っています：ヒト上皮成長因子受容体2（HER2）陽性、ルミナル（ホルモン受容体陽性かつHER2陰性）、およびトリプルネガティブ乳がんです。 HER2の過剰発現または増幅は、乳がん症例の10〜15％で観察されます。 この現象は、より攻撃的な腫瘍行動と相関することが多い一方で、HER2標的療法に対する感受性の増加も示します。 しかし、効果的な抗HER2薬の使用は、これらの患者の生存転帰を大幅に改善することができます。 さらに、HER2の発現状態は、標的療法の必要性を決定する上で重要です。 したがって、HER2発現状態の術前評価は、重要な治療的意義を持ちます。 現在、手術前の乳がんにおけるHER2状態を評価する臨床的方法には、コア針生検標本で実施される免疫組織化学（IHC）検査と蛍光in situハイブリダイゼーション（FISH）測定が含まれます。 しかし、これらの生検サンプリング技術には、サンプリングバイアスや腫瘍内不均一性を完全に代表できないことなど、固有の限界があります。 さらに、生検手順は患者にとって不快であり、一定のリスクを伴います。 腫瘍不均一性は、一般的に腫瘍間の血管新生、代謝、遺伝子発現、および他の生物学的特性の変異を指します。 腫瘍内不均一性（ITH）は、放射線画像における信号の差異として巨視的に現れることがあります。 研究者らは、HER2陽性（HER2+）とHER2陰性（HER2-）乳がんの間には生物学的特性と行動に大きな違いが存在し、ITHを反映する特定の画像特徴を特定することで、これら2種類の腫瘍を区別できると仮説を立てました。

動的造影MRI（DCE-MRI）は、許容可能な空間分解能を維持しながら、疑わしい病変における造影剤の動態に関する時間的情報を提供する効果的な画像モダリティです。 これは特に乳がん病変、特に高濃度乳腺組織内の病変を検出するのに敏感です。 DCE-MRIは、病変の血流動態特性を通じて異常な腫瘍血管増殖を間接的に反映することができます。 ラジオミクスは、視覚的に識別または定量化することがしばしば困難な高スループットの洗練されたモダリティを使用して、医用画像から定量的で再現性のある特徴を抽出する新興技術です。 特定の疾患に関連する可能性のあるこれらの特徴は、統計的または機械学習（ML）アルゴリズムを使用して分析され、腫瘍の診断、グレーディング、有効性評価、および予後予測のための予測モデルを作成します。 MLは、従来の統計モデルと比較して2つの重要な利点を持っています。 目標は、診断中の決定時間を短縮し、一般的により高い診断精度を達成することです。 乳がん診断で示されているように、MLは大量の臨床データにおける複雑なパターンを特定することで、がんリスク予測を大幅に改善することができます。 MLの大きな可能性にもかかわらず、その臨床応用では依然としていくつかの障害に直面しています。 主要な課題の1つは解釈可能性の欠如であり、多くのMLモデルは「ブラックボックス」のように動作し、臨床医がその意思決定プロセスを理解し信頼することが困難です。 さらに、モデルの性能は、トレーニングデータの品質と代表性に大きく依存します。 ML手法は、従来の臨床研究よりも大きなデータセットを必要とすることが多いです。

したがって、この研究は、DCE-MRI画像を使用して非侵襲的に乳がんのHER2状態を予測できるラジオミクスベースのMLモデルを開発することを目的としました。 さらに、シャプレー加法説明（SHAP）アルゴリズムを使用して、モデルに含まれる変数の寄与を分析し、乳がん患者のより正確な術前治療計画を策定するための貴重な洞察を提供しました。