- 著者: Zang Z, Dorward DA, Ihuoma S, Akram AR, Wang Q
- Corresponding author: Qiang Wang (University of Edinburgh, UK)
- 雑誌: Cancer Research
- 発行年: 2026
- Epub日: N/A
- Article種別: Original Article
- DOI: N/A
背景
EGFR (epidermal growth factor receptor) 変異状態の正確な同定は非小細胞肺癌 (NSCLC) における標的治療薬の選択に不可欠であるが、現行の診断法はPCRベースアッセイや次世代シーケンシング (NGS) に依存しており、費用・時間・組織消費の観点から限界を持つ。NSCLCの診断においてはしばしば組織量が不足しており、包括的な病理学的・分子学的評価を行うための検体確保が困難となることが課題である。
計算病理学の進歩によって、ヘマトキシリン・エオシン (H&E) 染色組織像から深層学習 (deep learning; DL) でEGFR変異を予測するアプローチが、The Cancer Genome Atlas (TCGA) の全スライド画像 (whole-slide image; WSI) を用いた研究を中心に多数報告されてきた (Campanella et al)。これらの手法は高い性能 (AUROC 0.87〜0.927) を示す一方で、依然として組織染色を前提とするため、染色プロセスにかかる時間・コスト・組織消費という問題を解決できていない。蛍光寿命イメージング顕微鏡 (FLIM; fluorescence lifetime imaging microscopy) は、内因性フルオロフォア (NAD(P)H、FADなど) から生じる無標識のシグナルを捉えることができ、バーチャル染色や肺癌診断への応用が報告されつつある。しかし、未染色のFLIM画像からEGFR変異状態を予測する手法はこれまで存在しなかった。特に、非破壊かつ迅速なワークフローで組織を温存しながらEGFR変異を検出する手法が不足しており、この点が臨床上大きな未解決課題として残っていた。
目的
未染色ホルマリン固定パラフィン包埋 (formalin-fixed paraffin-embedded; FFPE) 肺腺癌 (lung adenocarcinoma; LUAD) 組織のFLIM画像にDLを適用し、NGSや組織染色を必要としないラベルフリー手法でEGFR変異状態 (変異型 vs 野生型 [wild-type; WT]) および主要亜型 (exon 19欠失 vs exon 21 L858R点変異) を高精度に予測できるかを検証すること。
結果
EGFR変異型vs野生型の分類性能： DenseNet-169をFLIM画像に適用した場合のテストコホートにおけるパッチレベルの性能を評価した。274コア (n=85例) から48,598パッチを生成し、患者単位で60%:17%:23%のtraining/validation/test分割を行った。EGFR変異型 (n=37例: exon 18変異4例、exon 19欠失 [exon 19 deletion; exon 19del] 15例、exon 20変異6例、exon 21 L858R 12例) vs WT分類において、DenseNet-169はAUROC 0.966 (95% CI: 0.9623-0.9697) を達成した (Table 1、Figure 2A)。精度 (accuracy) は0.913 (95% CI: 0.9071-0.9194)、精密度 (precision) は0.927 (95% CI: 0.9159-0.9320)、感度 (sensitivity) は0.909 (95% CI: 0.9006-0.9182)、特異度 (specificity) は0.917 (95% CI: 0.9089-0.9262) であった。誤分類率はEGFR変異型パッチで8.26% (343/4,152パッチ)、WTパッチで9.07% (419/4,618パッチ) であった (Figure 2B)。t-分布確率的近傍埋め込み (t-distributed stochastic neighbor embedding; t-SNE) による特徴量可視化では、変異型とWT間の明確なクラスター分離が確認された (Figure 2C)。コアレベルの集計予測でも全コアが正確に分類された (Figure 2I-J)。予測確率分布において、変異型パッチは高い平均値 (μ=0.9165) と低い標準偏差 (σ=0.2416) を示し、WTと比較して確信度の高い予測が可能であった (Figure 2D、K)。
EGFR亜型分類 (exon 19del vs exon 21 L858R)： 最も頻度の高い2つのEGFR変異亜型の識別を試みた。exon 19del (n=15例) とexon 21 L858R (n=12例) の分類では、AUROCは0.7597 (Figure 5A) となり、主要分類 (AUC 0.966) と比較して精度が低下した。これはexon 19とexon 21変異に関連するFLIMシグナルパターンの差異が微妙であることを示唆する。t-SNEでは両亜型間の部分的なクラスター分離が確認されたが (Figure 5C)、平均予測確率はμ=0.6508と0.8120 (Figure 5B) であり、亜型判別の余地が残る (Figure 5D)。
既存H&E染色ベース手法との比較： Table 3に示す複数の先行研究と比較して、本手法は最高レベルのAUC 0.966を達成した (H&E染色ベースの最高値: Rolfo et al. AUC 0.927)。既存のほぼ全ての研究がH&E染色全スライド画像 (WSI) を使用しているのとは対照的に、本手法は未染色TMAコアのみを使用した。さらに本研究はFLIM画像のみを使用した最初のEGFR予測アプローチである点でも差別化される。
Grad-CAM++による解釈可能性： 勾配重みによる可視化 (Grad-CAM++; gradient-weighted class activation mapping) では、変異型コアにおいてはがん細胞領域に、WTコアでは間質領域にも注目が向けられていることが示された (Supplementary Fig. S3)。これは間質などの非腫瘍成分がEGFR変異状態の予測に関連した情報を含む可能性を示唆しており、腫瘍細胞のみへの制限が必ずしも最適でないことを示す先行研究とも一致する (EGFR変異の機能的背景)。
考察/結論
① 先行研究との違い：これまでのDLベースEGFR予測研究はすべてH&E染色組織像に依存しており、染色・インキュベーションという時間的・物質的コストが必要であった。これと対照的に、本研究は未染色FFPE組織からのFLIM画像のみで同等以上の精度を達成した。特に大規模な公開データセット (TCGA WSI) を使用した他手法と異なり、小規模な院内TMAデータ (n=85) でstate-of-the-artを達成した点も対照的である。
② 新規性：本研究で初めて、ラベルフリーFLIM画像とDLを組み合わせたEGFR変異予測パイプラインが確立された。この新規な手法は組織を破壊せず、染色不要であり、既存の診断ワークフローにFLIM取得を追加するだけで、残った組織を他の分子検査に利用できる。また、FFPE組織のFLIM信号がEGFR変異と腫瘍微小環境 (TME) の変化を反映しうることを新規に示した。
③ 臨床応用：臨床的意義として、本アプローチはNGSより迅速な予測を可能にし、特に検体量が少なく分子検査に十分な組織が確保できない患者における早期治療選択の補助ツールとなりうる。bench-to-bedsideの観点からは、スキャン時間 (1コア約1時間) の短縮 (ライン走査法・ワイドフィールド検出など代替検出方式) や、低フォトン条件でのFLIM再構築技術の進歩によって、将来的な臨床実装が期待される。
④ 残された課題：現在の限界として、英国単一機関のTMAデータのみを使用しており、アジア人 (EGFR変異率40-50%) など他民族・地域集団への一般化が未検証である。また、TMアコアは腫瘍内不均一性を完全に代表しない可能性がある。exon 19del vs exon 21 L858R亜型分類はAUC 0.7597と改善余地が大きく、データ拡充と高度なモデルアーキテクチャ (Vision Transformer等) の導入が今後の検討課題である。さらにFLIM取得・再構築にかかる時間 (1コア計約100分) の短縮が実用化の鍵となる。
方法
倫理・サンプル調製：英国Lothian NRS Bioresource (REC番号: 15/ES/0094、20/ES/0061) 承認の組織マイクロアレイ (TMA; tissue microarray) を使用。研究番号SR2046のHealth Research Authority承認下で実施。NSCLCの外科的切除検体からNGSでEGFR変異を確認し、85例 (年齢44〜83歳、男性39例・女性46例) から274コアを採取。各ブロックからトリプリケート (3コア) を1mmパンチ生検で取得し、4μm切片をガラススライドに展開した。
FLIM撮像：Leica STELLARIS 8 FALCON FLIM顕微鏡 (20x/0.75 NA対物レンズ、励起波長445 nm、検出範囲460-640 nm) を使用。512×512グリッドスキャン (4ライン・6フレーム積算)、スキャンラインレート200 Hz (ピクセル滞留時間9.8μs)、1コアのスキャン時間約1時間。非線形多指数フィッティングアルゴリズムで蛍光寿命値を再構築 (1コア約40分、Intel i9 12900KS 24コアCPU)。4チャンネルFLIM画像 (intensity αチャンネル + 蛍光寿命RGB) を生成した。
NGS (グラウンドトゥルース)：英国認定 (UKAS ISO 15189) NHS検査室でIon AmpliSeq Cancer Hotspot Panel v2 (CHPv2) を使用。IonChefシステムでライブラリー調製、Ion GeneStudio S5でシーケンシング実施。EGFR exon 18-21をカバー、GRCh37参照ゲノムにアライメント。SNV検出限界約5%、indel約10%。
深層学習モデル：DenseNet-169 (PyTorch Image Models [timm] ライブラリ、RRID: SCR_018536) を主要アーキテクチャとして採用。224×224ピクセルパッチ (画素サイズ0.3001μm) を入力。最適化: Adam、損失関数: binary cross-entropy (BCELoss)。300エポックトレーニング (学習率0.01、80エポック毎に10分の1に削減)、ドロップアウト10%。データ拡張 (回転・反転) を適用。NVIDIA RTX A5000 GPUで訓練 (変異型/WT分類学習時間約23時間、亜型分類約5時間)。患者単位でtraining (60%)/validation (17%)/test (23%) に分割し、データリークを防止。パッチレベルの予測確率はsigmoid関数で変換し、コアレベルの分類は全パッチの平均確率を閾値0.5でthresholdingした。AUROC (area under the receiver operating characteristic curve) を主要性能指標として使用し、confusion matrix、精度、感度、特異度も報告した。