ホールスライドデジタル病理画像とディープラーニングに基づく肝細胞癌術後補助療法の予測モデルの構築と臨床的検証

# I. 研究背景と目的 肝細胞癌（HCC）は世界的にみられる一般的な悪性腫瘍であり、罹患率では世界第6位、死亡率では第3位を占めています。 年間約48万人の死亡を引き起こし、中国は全世界の症例の45％以上を占めており、極めて重篤な疾病負担を表しています1。 根治的手術切除は、早期段階の肝がん患者が長期生存を達成するための主要な手段です。 しかしながら、術後5年再発率は50％〜70％と高く、患者の予後を著しく制限しています2。 術後補助療法は、再発を遅らせ生存率を向上させるための重要な戦略となっています。 そのような療法の中でも、経動脈的化学塞栓療法（TACE）およびチロシンキナーゼ阻害剤（TKI、ソラフェニブやレンバチニブなど）は、再発リスクの高い患者の治療に広く用いられています1,3。<\/p>

TACEは、腫瘍栄養血管を局所的に塞栓化し化学療法薬を灌流することで虚血性壊死を誘導し、中間期肝がんに適しています4,5。 一方、多標的TKI薬剤は、血管内皮増殖因子受容体（VEGFR）や血小板由来増殖因子受容体（PDGFR）などのシグナル伝達経路を系統的に阻害し、抗血管新生および抗腫瘍増殖効果を発揮し、進行期肝がんの標準治療となっています3。 それにもかかわらず、両治療法には重大な限界があります：TACEの客観的奏効率は通常50％〜60％に過ぎず、一部の患者は恩恵を受けられず、肝機能障害を経験する可能性さえあります6。 TKIは術後高リスク患者の無再発生存期間（RFS）を3〜5ヶ月延長できるものの、無選択集団における治療反応率は20％未満であり、グレード3〜4の有害反応（高血圧、手足皮膚反応、タンパク尿など）の発現率は50％を超え、毒性副作用に対する不耐性により20％の患者が治療中止に至っています3,7,8。 現在、臨床現場には、潜在的な恩恵を受ける集団を識別するための効率的で信頼性の高いバイオマーカーシステムが欠如しています。 その結果、治療決定は依然として臨床経験（例えば、腫瘍サイズや血管侵襲などの従来の病理学的特徴に基づく）に依存しており、個別化は限定的であり、医療資源の浪費と患者への追加的な治療負担を招いています。<\/p>

最近の研究は、腫瘍免疫微小環境（TIME）がTACEとTKIの治療感受性に影響を与える重要な生物学的基盤であることを示しています3。 TIMEの構成特性、すなわち免疫細胞浸潤（CD8⁺ T細胞、Tregs、CTLs、M2型腫瘍関連マクロファージなど）、免疫チェックポイント分子（プログラム細胞死リガンド1、PD-L1など）の発現、および空間構造は、治療反応と密接に関連しています9-12。 例えば、免疫炎症性TIME（高CD8⁺ T細胞密度および三次リンパ様構造の形成）は、TACE後の腫瘍壊死およびTKI治療反応と正の相関がある可能性があります。対照的に、免疫除外型または砂漠型表現型はしばしば治療抵抗性を示します13-15。 しかしながら、現在のTIME評価は、マルチプレックス免疫組織化学（mIHC）や空間トランスクリプトミクスなどの高解像度技術に大きく依存しています。 これらの方法は微小環境を詳細に描出できるものの、高コスト、操作の複雑さ、サンプル品質に対する高い要求、標準化の低さなどの応用上のボトルネックがあり、臨床普及を制限しています。<\/p>

人工知能、特に深層学習技術の進展は、従来のヘマトキシリン・エオジン（HE）染色されたホールスライドイメージング（WSI）から深い病理学的情報を抽出するための新たなアプローチを提供しました。 術後病理診断のためのルーチンデータ（各HCC患者は追加のサンプリングや検査なしに術後にHE染色WSIが生成される）として、WSIはTIMEの核心的特性を写像することが証明されている細胞形態および組織構造の詳細を含んでいます。 例えば、畳み込みニューラルネットワーク（CNN）やVision Transformer（ViT）などのアーキテクチャを通じて、CD8⁺ T細胞浸潤密度やPD-L1発現に関連する形態パターンを自動的に識別し、「HE形態 → 免疫状態」のクロスモーダル予測を可能にします16,17。 最新の研究は、HE-WSIに基づく深層学習モデルが、大腸癌におけるマイクロサテライト不安定性（MSI）を高精度（AUC 0.88）で予測できること18、非小細胞肺癌におけるPD-L1発現（AUC 0.80）および腫瘍突然変異負荷（TMB、AUC 0.91）を予測できることを確認しています19,20。 肝がん分野においても、研究はWSI深層学習を用いて術後再発リスク（AUC 0.82）および肝がん組織内の免疫細胞浸潤（AUC 0.78）を予測しています21,22。 しかしながら、「術後補助療法（TACE/TKI）の有効性を予測する」という臨床的課題に焦点を当てた研究はなく、多施設、大規模サンプルの臨床検証も欠如しています。<\/p>

したがって、HE染色WSIと深層学習アルゴリズムに基づくHCC術後補助療法予測モデルの構築は、TIMEの治療反応における機序的役割を分析するのに役立つだけでなく、高コスト、長いサイクル、特殊プラットフォームへの依存などの既存検出技術の限界を突破し、肝がん補助療法決定の精密化とアクセシビリティへの発展を促進します。 このプロジェクトは、多施設の臨床病理データと人工知能アルゴリズムを統合し、TACEおよびTKIの有効性予測に適したデジタル病理モデルを確立し、厳格な臨床検証を実施することを意図しており、HCCの術後治療選択に対して科学的で信頼性の高い意思決定ツールを提供することを目指しています。<\/p>

# II. 具体的な手順とワークフロー 本研究は、診断試験と介入研究を組み合わせた総合研究であり、二つの主要部分と複数の段階に分かれています。 その目的は、肝細胞癌（HCC）の術後補助療法のための人工知能ベースの予測システムを開発・検証することです。 研究全体は、人工知能（AI）ベースの医療機器ソフトウェア（SaMD）開発の標準化されたプロセスに従い、後ろ向きデータ収集、モデル開発・訓練、後ろ向き検証、前向き観察的検証、最終的な前向き介入研究を含みます。<\/p>

• パート1：腫瘍微小環境認識モデルの構築と検証<\/p>

  • 開発・訓練フェーズ 公開データセット（例：The Cancer Genome Atlas, TCGA）および研究センターからの後ろ向きデータセット（n=1500、400症例は既に収集済み）を訓練セットとして使用します。 このフェーズの核心タスクは、ヘマトキシリン・エオジン（HE）染色ホールスライド画像（WSI）から主要な腫瘍微小環境特徴を自動的に識別、セグメンテーション、定量化するための深層学習モデル（例：Vision TransformerまたはResNetに基づくアーキテクチャ）を開発することです。 これらの特徴は、免疫細胞浸潤度、間質比率、血管侵襲、壊死領域などに限定されません。 すべての画像は、少なくとも2人の上級病理医によって盲検下で独立して注釈付けされます。 意見の相違は、合意形成または第三の上級病理医による仲裁により解決され、ゴールドスタンダードが形成されます。<\/li>
  • 外部検証フェーズ 国内8〜10の協力医療センターからの後ろ向きWSIデータセットを使用し、モデルの汎化能力の予備的検証を実施します。 このフェーズは、異なる走査装置、異なるスライド作成・染色プロセス、および異なる病理医の解釈習慣の下でのモデルの堅牢性を評価することを目的とします。<\/li><\/ul><\/li>
  • パート2：治療反応予測モデルの構築と多段階臨床検証<\/li><\/ul>

    この部分は研究の中核です。 これは、パート1のモデル出力（すなわち、定量化された腫瘍微小環境特徴）と必要な臨床変数（TNM病期、肝機能Child-Pugh分類、AFPレベルなど）を組み合わせることで、患者の異なる術後補助治療レジメン（手術単独、手術+TACE、手術+TACE+TKI）への反応を予測できる分類モデルを構築することを目的としています。 この部分は厳格な階層的検証戦略を採用します：<\/p>

    • モデル訓練フェーズ 研究センターからの後ろ向きデータ（n=1500）を使用します。 含まれる患者は以下の基準を満たさなければなりません：①病理学的に確認されたHCC；②根治的切除を受けた；③完全な術後補助療法および追跡データを有する。 治療反応の定義：主要エンドポイントは無再発生存期間（RFS）、二次エンドポイントは全生存期間（OS）および客観的奏効率（ORR）を含みます。 マルチクラスマシンラーニングアルゴリズム（勾配ブースティング木や深層ニューラルネットワークなど）を使用して訓練を行い、患者が最も恩恵を受ける可能性が高い治療レジメンカテゴリーを出力します。<\/li>
    • 内部検証フェーズ センターのデータからランダム分割により、独立した検証セット（n≈500、訓練セットと重複なし）を確保します。 これはモデルの識別性能を予備的に評価し、ハイパーパラメータ調整を行い過学習を防ぐために使用されます。<\/li>
    • 外部検証フェーズ1（後ろ向き検証およびモデルキャリブレーション） 全国の複数施設（8〜10施設、n=3000）からの後ろ向きデータを収集します。 このフェーズの主な目的は：①より大規模でより異質的な外部データセットにおけるモデル性能の検証；②検証結果に基づきモデルのキャリブレーションまたは限定的な反復最適化を行い、最終的な確定予測モデルを形成することです。<\/li><\/ul>

      外部検証フェーズ2（大規模後ろ向き検証） 確定モデルを使用し、新たな超大型規模（n=10,000）の後ろ向きデータセット（3〜5施設から）で検証を行います。 これによりエビデンスレベルをさらに強化し、前向き研究のための確固たる基盤を提供します。<\/p>

      外部検証フェーズ3（前向き観察研究） 合計1000人の適格な術後HCC患者を10〜15施設で前向きかつ連続的に登録します。 彼らのWSI画像を収集し、モデルに入力して予測治療レジメンを取得します。 ただし、この研究フェーズは実際の臨床決定に干渉しません。 研究者はモデルの予測結果と実際の臨床決定を記録し、追跡を通じて患者の実際の予後を観察し、モデルの予測と実際の結果の一致度、および実世界設定におけるモデルの性能減衰を評価します。<\/p>

      ### 外部検証フェーズ4（前向き介入研究） これは研究の最終検証ステップです。 3〜5施設と協力して、前向き、ランダム化比較試験または実践的臨床試験を実施し、約600人の患者を登録します。 患者は無作為に二つの群に分けられます：①モデル支援意思決定群：臨床医はモデルが予測した最適治療レジメンに基づき患者の治療計画を立案する；②標準治療群：治療計画は既存のガイドラインと臨床経験に基づき臨床医が完全に立案する。 主要比較は両群間のRFSであり、モデル支援意思決定の臨床的有用性と予後改善における価値を示す最高レベルのエビデンスベース医療を提供します。<\/p>