深層学習ベースの術中デュアルトレーサー動画解析によるcN0乳頭状甲状腺癌のセンチネルリンパ節マッピングの転移予測

背景と理論的根拠：

乳頭甲状腺癌（PTC）は、世界的に見て最も急速に増加している癌の一つである。PTC治療における大きな課題は、術前（臨床的リンパ節陰性、cN0）にリンパ節転移がないように見える患者の30%から80%が、実際にはリンパ節への潜在的な（潜在性の）癌転移を有していることである。超音波などの現在の画像診断法では、このような小さな癌転移領域を見逃すことが多い。

これにより、外科医にとって難しい判断が生じる：過剰な数のリンパ節を切除することは、副甲状腺（カルシウムレベルを調節する）や声帯を制御する神経の損傷などの合併症リスクを高める。しかし、切除するリンパ節が少なすぎると、癌が残存し再発につながる可能性がある。

センチネルリンパ節（SLN）マッピングは、腫瘍から最初に排出されるリンパ節を特定する技術である。癌がリンパ系を通じて転移する場合、まずこれらのセンチネルリンパ節に到達するという考え方に基づく。しかし、甲状腺癌における現在の単一トレーサー法によるSLNマッピングには限界があり、結果にばらつきがある。

本研究では、二つの異なる色素を組み合わせた二重トレーサー法を用いる：

1. カーボンナノ粒子（CNs）：これらは持続的な黒色染色を提供し、外科医がリンパ節を明確に視認するのを助ける
2. インドシアニングリーン（ICG）：この色素は近赤外光下で発光し、リンパ流のリアルタイム可視化を可能にする

これら二つのトレーサーを組み合わせることで、外科医はリンパ節の構造と、時間の経過に伴うリンパ液の流れの両方を観察できる。

研究デザイン：

これは前向き、単一施設、観察コホート研究である。本研究は参加者が受ける外科的治療を変更しない。すべての参加者は、外科チームが決定した標準的な甲状腺癌手術（リンパ節切除を含む）を受ける。

研究手順：

1. 術前評価：

   すべての参加者は、以下の標準的な術前評価を受ける：

   • 身体検査
   • 詳細なリンパ節評価を含む甲状腺超音波検査
   • PTC診断を確定するための穿刺吸引生検
   • 一般的な変異（BRAFなど）の遺伝子検査
   • 標準血液検査

2. 外科的手技：

   手術中、参加者は超音波ガイド下で二重トレーサー注射を受ける。注射は甲状腺腫瘍周囲の複数点で行われる。具体的な調製は以下の通り：

   • ICG溶液0.1ml（濃度：2.5 mg/ml）
   • カーボンナノ粒子懸濁液0.1ml（濃度：50 mg/ml）これらは混合され、精密な多点注射技術を用いて投与される。

3. 動画記録：

   近赤外蛍光イメージングシステムが、リンパ節可視化の全過程を記録する。記録は以下を捉える：

   • 色素がリンパ管を通じて拡散する様子
   • 各リンパ節が最初に可視化されるタイミング
   • 時間経過に伴う蛍光信号の変化
   • リンパ排液のパターン

   動画は高解像度（1920×1080ピクセル）、約30フレーム/秒で記録される。標準化された3分間のセグメントが各動画から抽出され解析に用いられ、患者ごとに150フレームを提供する。

4. 外科的判断：

   センチネルリンパ節（最初に発光するリンパ節）は切除され、直ちに迅速凍結切片分析に回される。標準的な基準に基づき、外科医は以下を行うかどうかを判断する：

   • 同側中心リンパ節郭清（腫瘍と同じ側のリンパ節切除）
   • 側方リンパ節郭清（特定の基準を満たす場合）
   • 対側中心郭清（反対側のリンパ節切除）

   これらの判断は当施設の標準外科プロトコルに従い、深層学習予測の影響を受けない。

5. 病理学的検査：

切除されたすべてのリンパ節は病理医により検査され、以下が決定される：

• センチネルリンパ節に癌が含まれるか（SLNM状態）
• セカンドエシェロンリンパ節に癌が含まれるか（SeLNM）
• 非センチネルリンパ節に癌が含まれるか（NsLNM）
• すべての陽性リンパ節の数と位置

データ収集と分析：

臨床データ（32変数）：

• 人口統計学的特性：年齢、性別、体格指数
• 超音波特徴：腫瘍サイズ、位置、辺縁、石灰化パターン、アスペクト比、TI-RADS分類
• 病理学的特徴：多発性、甲状腺外進展、被膜浸潤
• 遺伝子データ：BRAF変異状態およびその他の関連変異

動画分析：

経験豊富な外科医2名（それぞれ10年以上の経験）が、各動画フレーム内の関心領域（センチネルリンパ節）を手動で識別し輪郭を描く。これにより、全参加者にわたって19,650枚のマスク画像が作成される。

特徴抽出：

深層学習システムは、複数のタイプの特徴を抽出する：

空間的特徴（2,048次元）：

• 事前学習済みニューラルネットワーク（EfficientNet-B5）からの画像特徴
• グレースケール特性
• 形状および形態的特徴
• Huモーメント記述子（形状の数学的記述）

時間的特徴（20次元）：

• 画像の変化を示すフレーム間差分
• 動きのパターンを示すオプティカルフロー測定
• 時間経過に伴う蛍光強度変化
• 特定の時間点における流速測定

深層学習モデル：

9つの異なる深層学習アーキテクチャが開発され比較される：

1. 畳み込みニューラルネットワーク（CNN）：画像から局所的な空間的特徴を抽出
2. 長短期記憶（LSTM）：時系列データのパターンを捕捉
3. CNN + LSTM：空間的および時間的特徴抽出を組み合わせ
4. CNN + LSTM + アテンション：重要な時間点に焦点を当てるアテンション機構を追加
5. トランスフォーマー：自己注意を用いて逐次データのグローバルパターンを捕捉
6. クロスフォーマー：時系列分析のための特殊化アーキテクチャ
7. 3D-CNN：ビデオデータを三次元ボリュームとして処理
8. LSTM + トランスフォーマー：LSTMとトランスフォーマーの強みを組み合わせたハイブリッドモデル
9. LSTM + クロスフォーマー：LSTMとクロスフォーマーを組み合わせたハイブリッドモデル

すべてのモデルは以下を使用：

• 二値交差エントロピー損失関数
• 学習用のAdamオプティマイザ
• 過学習防止のためのデータ拡張（回転、スケーリング、ノイズ注入）
• クラス不均衡に対処するための重み付き損失関数
• ドロップアウト正則化

モデル評価：

モデルは10分割層化交差検証を用いて評価され、訓練セットとテストセットにおけるアウトカムの均衡分布が確保される。パフォーマンス指標は以下を含む：

• ROC曲線下面積（AUC）：全体的な識別能力を測定
• 精度：正しい予測の割合
• 感度：転移を有する患者を正しく識別する能力
• 特異度：転移のない患者を正しく識別する能力
• 陽性適中率：陽性予測が正しい確率
• 陰性適中率：陰性予測が正しい確率
• F1スコア：適合率と再現率のバランス
• ブライヤースコア：予測確率の較正

追加分析は以下を含む：

• 臨床的有用性を評価する決定曲線分析
• 予測信頼性を確認する較正曲線
• 過学習を評価する学習曲線
• モデル間の統計的比較のためのDeLong検定
• 確率ベースモデルランキングアプローチ（PMRA）

モデル解釈性：

モデルがどのように予測を行うかを理解するため、SHapley Additive exPlanations（SHAP）分析を使用する。この技術は：

• 予測に最も寄与する特徴を特定
• 各特徴が個々の予測にどのように影響するかを示す
• モデルが臨床的に意味のある要因に依存しているかを明らかにする
• 深層学習の「ブラックボックス」に対する透明性を提供

アウトカム：

主要アウトカム：

1. セカンドエシェロンリンパ節転移（SeLNM）：排出経路においてセンチネルリンパ節を超えたリンパ節への癌転移
2. 非センチネルリンパ節転移（NsLNM）：センチネルリンパ節以外のいずれかのリンパ節への癌転移

両アウトカムは、外科的に切除された組織の最終病理学的検査（ゴールドスタンダード）により決定される。

副次アウトカム：

• モデルパフォーマンス指標（AUC、感度、特異度など）
• SHAP分析からの特徴重要度ランキング
• モデルアーキテクチャの比較

統計的考慮事項：

サンプルサイズ：

以下を仮定した検出力計算に基づく：

• アルファ = 0.05（有意水準）
• 検出力 = 0.80
• 方法間の期待感度差20%
• リンパ節転移の期待有病率50%

最小335名の参加者が計算された。厳格な適格基準と動画品質要件のため、完全で高品質なデータを持つ131名の参加者が最終分析に含まれた。

統計手法：

• ベースライン特性の記述統計
• カテゴリカル変数のためのカイ二乗検定またはフィッシャーの正確確率検定
• 連続変数のためのマン・ホイットニーU検定
• モデル間のAUC値比較のためのDeLong検定
• すべてのパフォーマンス指標の95%信頼区間

追跡調査：

主要分析は術中予測に焦点を当てるが、参加者は標準的な臨床ケアプロトコルに従って追跡される。再発無生存期間などの長期的アウトカムは、将来の研究で分析される可能性がある。

倫理的考慮事項：

本研究は、重慶医科大学第一附属医院倫理委員会により承認された（承認番号：2023-322）。すべての参加者は登録前に書面によるインフォームドコンセントを提供した。

本研究は参加者に最小限の追加リスクをもたらす：

• 二重トレーサー注射は、既に臨床使用が承認された薬剤を使用
• 動画記録は非侵襲的であり、外科的判断に影響を与えない
• すべての外科的判断は標準プロトコルに従って行われる
• 深層学習分析は遡及的に行われ、治療に影響を与えない

潜在的影響：

成功した場合、このアプローチは以下を可能にする：

1. 外科医がリンパ節切除範囲についてより情報に基づいた判断を行うのを支援
2. 低リスク患者における不必要な広範囲手術を削減
3. 過少治療となる可能性のある高リスク患者において適切な手術を確保
4. 手術中のリアルタイムかつ客観的な意思決定支援を提供
5. 異なる外科医や施設間でのリンパマッピング解釈の標準化
6. 経験の浅い外科医のための訓練ツールとして機能

限界：

• 単一施設研究であり、一般化可能性が制限される可能性
• 厳格な品質要件のため、比較的サンプルサイズが小さい
• 関心領域の手動注釈はばらつきを導入する可能性
• 深層学習モデルは外部コホートでの検証を必要とする
• 手術中のリアルタイム実装にはさらなる開発が必要

将来の方向性：

• 複数施設での外部検証
• 術中使用のためのリアルタイム予測ソフトウェアの開発
• 他の画像モダリティとの統合
• AI誘導手術の臨床的利点を評価する前向き介入試験