- 著者: Fuxing Deng, Xianjing Chu, Wen Shi, Gang Xiao, Guilong Tanzhu, Lishui Niu, Zijian Zhang, Rongrong Zhou, Guang Yang
- Corresponding author: Rongrong Zhou (Xiangya Hospital, Central South University, Changsha, China); Zijian Zhang (Xiangya Hospital, Central South University, Changsha, China)
- 雑誌: npj Digital Medicine
- 発行年: 2026
- Epub日: 2026-06-16
- Article種別: Original Article
- DOI: 10.1038/s41746-026-02931-9
背景
肺腺癌 (Lung Adenocarcinoma; LUAD) は非小細胞肺癌 (NSCLC) の最多サブタイプ（全肺癌の約40〜50%）であり、病勢経過中に約半数の患者が脳転移 (Brain Metastases; BMs) を来す。血液脳関門 (Blood-Brain Barrier; BBB) は通常の化学療法薬の脳内移行を制限するが、上皮成長因子受容体 (Epidermal Growth Factor Receptor; EGFR) 変異を有する患者ではEGFR-チロシンキナーゼ阻害薬 (EGFR-TKI) の使用により脳転移を含む予後が改善される (Ballard et al. ClinCancerRes 2016)。BM の EGFR 変異ステータスの正確な把握は精密治療の方向性を決定するうえで不可欠であるが、現在の確定診断は病理生検 (gold standard) に依存しており、BMs からの組織採取は侵襲性が高く技術的にも困難である。リキッドバイオプシー (循環腫瘍 DNA; ctDNA 解析) は低感度・高コストのため普及が限定的であった。
ラジオミクス（Radiomics）は標準医療画像から高次元定量特徴を抽出する非侵襲的手法として注目されており、これまでにラジオミクスが神経膠腫と脳転移の鑑別や、LUAD 由来と扁平上皮癌由来の BMs 識別に有効であることが示されてきた。しかし既存の MRI ベースの EGFR 変異予測モデルは単施設設計・外部検証なし・原発巣のみ利用という制限があり、最高 AUROC は 0.81 前後 (Fan et al.、Cao et al.) にとどまっていた (Magnuson et al. JClinOncol 2017)。また、重要なラジオミクス特徴の生物学的意義を転写解析で解明した研究はほぼ皆無であり、ラジオミクス特徴が遺伝子発現プロファイルとどのように連動するかは未解明であった。外部検証を伴う多施設研究も存在しないというギャップが残っていた。このような研究の不足を補い、MRI ラジオミクスを BM 直接解析に基づいて開発・外部検証し、鍵となる画像特徴の生物学的解釈可能性を確立するための研究が求められていた。
目的
LUAD 脳転移に対する MRI ラジオミクスベースのモデルを (1) 多施設データから開発・外部検証し、(2) 組織確認標本で予測の妥当性を検証し、(3) RNA シーケンシングによって重要ラジオミクス特徴の生物学的メカニズムを解明することで、EGFR 変異ステータスを非侵襲的・生物学的に解釈可能な形で予測する放射線ゲノム学モデルを構築する。
結果
患者コホート構成とEGFR変異分布：
3 施設から計 421 例の LUAD 脳転移患者・1,303 病変が登録された。内部コホート (N = 321、n = 1,088 病変) は Xiangya Hospital および Xiangya Bo’ai Rehabilitation Hospital より 2016〜2022 年に後ろ向き収集し、訓練コホート (70%) とテストコホート (30%) に分割した。外部検証コホート (N = 47、n = 121 病変) は 2024 年に South China University 第二附属病院から前向きに収集。組織確認コホート (N = 53、n = 94 病変) は Xiangya Hospital で 2023〜2024 年に前向き収集し、外科切除標本での EGFR 変異ステータス確認が条件とした (Table 1)。内部コホートでは EGFR 陽性 225 例 (70.1%)・陰性 96 例 (29.9%) で、EGFR 陽性の内訳は 19Del 97 例・L858R 95 例・その他非感受性変異 33 例であった。外部コホートでは EGFR 陰性比率が 44.7% とやや高く、組織確認コホートでは EGFR 陽性 49.1%・陰性 50.9% であった。
モデル構築とパフォーマンス評価：
各 MRI 病変の ROI (関心領域) を ITK-SNAP (version 3.8.0) で手動輪郭描出し、T1/T2/T1C シーケンスから PyRadiomics を用いて計 3,435 放射線特徴 (形状・一次強度・Gray-Level Co-occurrence Matrix (GLCM) / Gray-Level Run Length Matrix (GLRLM) / Gray-Level Size Zone Matrix (GLSZM) / Gray Dependence Matrix (GLDM) / Neighboring Gray Tone Difference Matrix (NGTDM) テクスチャ + Wavelet / LoG フィルタ特徴) を抽出した。内部コホートでは 3,264 ROI が登録された。特徴選択は Spearman 相関フィルタリング→Z スコア正規化→積集合の 3 段階処理で行い、8 アルゴリズム (LR / SVM / DT / RF / GBM / MLP / XGBoost / LightGBM)、3 種特徴エンジニアリング、4 タスク (Task 1〜4)、4 シーケンス組み合わせで計 384 モデルを訓練・評価した (Supplementary Tables 1-2)。クラス不均衡対策として訓練セットのみに Synthetic Minority Over-sampling Technique (SMOTE) を適用。適応最適化訓練パイプライン (Adaptive Optimization Training Pipeline; AOTP) で超パラメータを自動調整した結果、LightGBM + T1 + Spearman 相関フィルタリング + Z スコア正規化が一貫して最高性能を示した (Supplementary Figure 1)。最終内部テストコホートでの AUROC は次の通りであった (Fig. 2A): Task 1 (EGFR+ vs 野生型): AUROC = 0.95 (95% CI: 0.93–0.96)、Task 2 (19Del): AUROC = 0.92 (95% CI: 0.91–0.93)、Task 3 (L858R): AUROC = 0.92 (95% CI: 0.91–0.93)、Task 4 (19Del or L858R): AUROC = 0.79 (95% CI: 0.71–0.87)。興味深いことに、非造影 T1 単一シーケンスのみで多モダリティ融合と同等もしくは上回る性能が得られたことから、Occam の razor (モデル簡潔性原則) に基づき各タスクの最適単一シーケンスを採用した (Task 1〜3 は T1WI、Task 4 は T2WI)。
外部検証・組織確認コホートでの性能：
組織確認コホート (n = 94 病変、外科切除で EGFR ステータス確認済み) への適用では 精度 83.0%、感度 84.7%、特異度 80.0% を達成した (Fig. 2B)。外部検証コホート (n = 121 病変) では 精度 76.0% (95% CI: 67.7%–82.8%)、感度 80.5% (95% CI: 70.3%–87.8%)、特異度 68.2% (95% CI: 53.4%–80.0%) であった (Fig. 2C)。混同行列では 121 病変中、真陽性 62 例・真陰性 30 例・偽陰性 15 例・偽陽性 14 例であった。これらの結果は、異なる施設・スキャナーパラメータ下でも本モデルの頑健な汎化能力を示している。既報の Fan et al. および Cao et al. の AUROC (0.81 以下) を本モデルが大幅に上回った点は重要な進歩である (Reungwetwattana et al. JClinOncol 2018)。
SHAP/LIME によるモデル解釈性の解析：
SHapley Additive exPlanations (SHAP) によるグローバル特徴重要度解析では、全 Task にわたって original_shape_sphericity (腫瘍球形度) が最も影響力のある予測因子として一貫して同定された (Fig. 3A–C)。高球形度値は EGFR 変異陽性病変と関連しており、野生型 EGFR 腫瘍が不規則・不均一な形態を示す先行報告と一致した。Task 2 (19Del) では original_GLCM_DifferenceVariance および original_shape_SurfaceVolumeRatio が重要であり (Fig. 3B)、Task 3 (L858R) では original_GLCM_SumSquares が主要因子であった (Fig. 3C)。SHAP force plot では高リスク症例で SHAP 値が EGFR 0.15、19Del 1.21、L858R 1.04 に達し、低リスク症例では EGFR が −2.86 と負値を示した (Supplementary Figure 2)。Local Interpretable Model-agnostic Explanations (LIME) による局所的解析でも original_shape_Sphericity_t1 が最強の正の寄与因子 (weight = 0.26) として確認されたが、SHAP とは完全に同一でない特徴寄与を示す症例もあり、放射線特徴のコンテキスト依存的非線形相互作用が示唆された (Supplementary Figures 4-5)。
放射線ゲノム学解析—球形度とトランスクリプトームの相関：
38 例のペアリング MRI・RNA シーケンシングデータ (組織確認コホートより) を用いて放射線ゲノム学解析を行った。EGFR 変異群 vs 野生型群の差次的遺伝子発現解析 (DESeq2、調整 P < 0.05、|log2FC| > 1) では 310 遺伝子が有意に変動しており、上昇遺伝子に UGT1A10、TBL1Y、MAGEA3、低下遺伝子に RNF125、SLC37A2 が含まれた (Fig. 4A)。放射線・ゲノム相関解析では RNF125 と SLC37A2 が original_shape_sphericity と有意な負相関 を示した (Benjamini-Hochberg FDR 補正後: RNF125 adj P = 0.009、SLC37A2 adj P = 0.04、Figs. 4B-C)。また TBL1Y と MAGEA3 は original_GLCM_DifferenceVariance (Task 2) と有意な正相関を示した (adj P = 0.002、0.009)。球形度値による高/低群分類 (ROC 最適カットオフ) では、42 遺伝子上昇・268 遺伝子低下 (計 310 遺伝子) が同定された。Gene Ontology (GO) エンリッチメントでは「DNA 複製」「姉妹染色分体分離」「染色体構築」が同定され (Fig. 5A)、KEGG 解析では「神経活性リガンド受容体相互作用」「第一免疫不全」「カルシウムシグナル」が抽出された (Fig. 5B)。GSEA では細胞周期・DNA 複製・有糸分裂染色分体分離および ERBB シグナル経路が高球形度群で有意に亢進していた (Fig. 5C)。
考察/結論
① 先行研究との違い：先行の単施設ラジオミクス研究 (Fan et al.、Cao et al.) とは異なり、本研究は 3 施設・421 例・1,303 病変という大規模多施設コホートで LightGBM モデルを開発・外部検証し、さらに組織病理確認コホートで内部検証したことで AUROC 0.95 (Task 1) という卓越した性能を示した。これまでの先行報告が原発巣のラジオミクスに基づいていたのとは対照的に、本研究は直接 BMs の MRI 特徴を使用し、腫瘍の空間的不均一性をより正確に捉えた点も重要な改善である。
② 新規性：本研究で初めて LUAD 脳転移に対する SHAP/LIME 解釈性と RNA シーケンシングを統合した放射線ゲノム学 (Radiogenomics) 枠組みを構築し、original_shape_sphericity という画像由来の定量特徴が転写レベルで RNF125・SLC37A2 の下方制御と連動することを示した。MAGEA3 と GLCM テクスチャの相関も新規な放射線ゲノム学的知見である。これらはラジオミクス特徴に生物学的妥当性を与え、定量画像と分子腫瘍学を橋渡しする新たなパラダイムを提示する。
③ 臨床応用：本モデルは EGFR 変異ステータスを非侵襲的・コスト効果的に評価する臨床的ツールとして、脳生検が困難な患者での EGFR-TKI 治療選択を支援する可能性がある。特に LUAD 脳転移患者の約 70% が EGFR 陽性という高頻度を考慮すると、精度 83%・感度 84.7% という本モデルの性能は臨床的意義が高い。球形度特徴は ERBB シグナル・増殖経路の活性化を反映するため、放射線特徴によるサブタイプ別層別化やワクチン療法 (MAGEA3 ターゲット) の患者選択にも応用できる可能性がある。
④ 残された課題：本研究は後ろ向きデザインが主体であり、前向き多施設研究での検証が今後の検討として必要である。バルク RNA シーケンシングは TME 成分の混入を含み、single-cell / 空間トランスクリプトミクスによる更なる検討が求められる。異なるスキャナー機種間 (1.5T/3.0T) のバッチ効果については ComBat 等の調整を採用した将来研究での対処が必要で、深層学習モデルとの統合も今後の研究課題である。MAGEA3 と GLCM_DifferenceVariance の相関など、仮説生成的な知見は機能的研究 (in vitro/in vivo) による追加検証が必要である。
方法
研究デザイン・データ収集：後ろ向き + 一部前向き多施設研究 (IRB 承認: Xiangya Hospital, No. 202210235、後ろ向きコホートは同意免除)。3 施設 3 コホート: 内部コホート (N = 321、n = 1,088)・外部検証 (N = 47、n = 121)・組織確認 (N = 53、n = 94)。
MRI 解析: T1WI / T2WI / T1C シーケンス取得 (1.5T/3.0T、Xiangya Hospital median TR/TE: T1=477.6ms/13ms、T2=4457.1ms/110.2ms)。前処理: 傾斜非線形性補正・強度正規化・N4 バイアス場補正・3D ボクセル登録・0.375×0.375×6.5mm リサンプリング (SimpleITK)。ROI 手動輪郭描出: 2 名の放射線科研修医 (≥3 年経験) + 上級神経放射線科医 (>20 年経験) によるブラインドレビュー。
特徴抽出・モデル構築: PyRadiomics で 3,435 特徴抽出 (形状/一次/GLCM/GLRLM/GLSZM/GLDM/NGTDM + Wavelet/LoG フィルタ)。Spearman 相関フィルタリング→Z スコア正規化の 3 段階特徴エンジニアリング。8 分類アルゴリズム (LR/SVM/DT/RF/GBM/MLP/XGBoost/LightGBM) 比較。SMOTE (訓練セットのみ)。AOTP による超パラメータ最適化 (学習率減衰 0.1〜0.5、特徴重要度係数 1.05〜1.2、適応早期停止)。性能評価: AUROC、ROC 曲線、DeLong 検定。
モデル解釈: SHAP (グローバル特徴重要度)、LIME (局所症例別解釈)。
放射線ゲノム学解析: 38 例でペアリング RNA-seq 解析。DESeq2 (adj P < 0.05、|log2FC| > 1)。Pearson 相関で遺伝子発現 vs ラジオミクス特徴の相関解析、Benjamini-Hochberg FDR 補正。GO / KEGG / GSEA (clusterProfiler in R、adj P < 0.05)、GeneMANIA によるトップ 20 ハブ遺伝子機能ネットワーク解析。データ公開: Genome Sequence Archive (GSA-Human: HRA003286)。