PSMA PET/CT に基づく多モーダル深層学習モデルによる前立腺癌患者のリンパ節転移予測の詳細解析

背景紹介

前立腺癌（Prostate Cancer, PCA）は男性における最も一般的な悪性腫瘍の一つであり、癌関連死の主要な原因となっています。臨床的に局所的な前立腺癌患者において、拡大骨盤リンパ節郭清（Extended Pelvic Lymph Node Dissection, EPLND）はリンパ節病期分類の最も正確な方法と見なされています。しかし、この手術は広範囲にわたる操作が必要であり、術中および術後の合併症のリスクを高めるだけでなく、手術時間の延長や医療費の増加を招く可能性があります。EPLND がリンパ節転移（Lymph Node Invasion, LNI）の評価において効率的であることは広く認識されていますが、その役割をめぐる議論も少なくありません。

現在、臨床では Memorial Sloan Kettering Cancer Center（MSKCC）や Briganti-2017 などの予測モデルを用いて患者がEPLNDを受けるべきかどうかの判断が行われています。しかし、これらの臨床予測モデルには陽性的中率が低いという問題があり、およそ70％の患者が実際にはリスクがないにも関わらず侵襲的な手術を受けることになります。一方、分子イメージング技術である PET（Positron Emission Tomography）は、前立腺特異膜抗原（Prostate-Specific Membrane Antigen, PSMA）を用いたリンパ節評価において高い特異性と感度を示しています。しかし、PSMA PETスキャンは微小な腫瘍転移の検出に限界があるため、その臨床的価値は十分に発揮されていません。

本研究では、PSMA PET/CTの画像データと多モーダル深層学習を組み合わせた新しいモデルを提案し、LNI予測の精度向上および不要なEPLND操作の削減を目的としています。

出典および著者紹介

本研究は、中国中南大学湘雅病院、スイス・ベルン大学病院核医学科、ドイツ・ミュンヘン工科大学、そして中国・重慶交通大学などの研究者によって共同で行われました。主要著者には Qiaoke Ma、Bei Chen、Robert Seifert、Rui Zhou らが名を連ねています。本論文は European Journal of Nuclear Medicine and Molecular Imaging に発表され、2024年に受理され、2025年に出版予定です。

研究プロセス

対象およびグループ分け

本研究は後ろ向き研究で、2020年4月から2024年9月の間に [68Ga]Ga-PSMA-617 PET/CT スキャンを受けた前立腺癌患者116名を対象としました。これらの患者は、根治的前立腺全摘除術（Radical Prostatectomy, RP）ならびにEPLNDを受け、7:3の割合でトレーニンググループ（82名）とテストグループ（34名）に分けられました。本研究では、PETスキャンの前に治療を受けた患者、データが不完全な患者、またはスキャンと手術の間隔が1カ月を超える患者を除外しました。

データ収集および画像分析

全患者から臨床データ、画像データおよび病理データを収集しました。臨床データには、患者の年齢、PET施行時点での初期前立腺特異抗原（Prostate-Specific Antigen, PSA）レベル、システム的生検の国際泌尿病理学会（International Society of Urological Pathology, ISUP）グレード分類群、ならびに多パラメータMRI（Multiparametric Magnetic Resonance Imaging, mpMRI）またはPSMA PET/CT画像に基づく臨床腫瘍ステージ（TNM分類）が含まれます。特筆すべきは、PSMA PET/CT画像は PSMA-RADS v2.0 基準に従って、核医学医による体系的なスコア付けが行われました。

また、本研究の重要なステップとして、Med3Dと呼ばれる深層学習モデルを活用して画像特徴を抽出しました。このモデルは、大規模な三次元医学画像データを事前学習しており、PSMA PET と CT 画像から高次元特徴を抽出する能力に優れ、データ適応性と汎化性を有しています。

深層学習モデルの開発

本研究では、多核サポートベクターマシン（Multi-Kernel Support Vector Machine, SVM）アルゴリズムを基にした多モーダル深層学習予測モデルを構築しました。モデルの入力には、PSMA PET/CTの深層学習特徴、SUVmax（最大標準化取込値）、およびすべての患者の臨床パラメータが含まれます。具体的な手順は以下の通りです：

1. データ前処理：PETおよびCT画像に対して正規化と切り抜きを実施し、データの質を向上。
2. 深層特徴抽出：全前立腺および病変体積内で高次元画像特徴を抽出。
3. モデル訓練と交差検証：1対1交差検証（Leave-One-Out Cross Validation）を用いた訓練を実施し、5–5分割や10–10分割の層化交差検証で安定性を確認。
4. モデル評価：テストデータセットにおいて、従来の予測モデルおよびPET画像の視覚評価結果と性能を比較。

データ分析手法

実験結果の解析では、受信者動作特性（ROC）曲線を用いて各モデルの曲線下面積（Area Under Curve, AUC）を計算し、校正曲線および意思決定曲線分析（Decision Curve Analysis, DCA）と組み合わせて予測精度や臨床応用価値を評価しました。

研究結果の解析

モデル性能の比較

トレーニングデータの結果では、多モーダルモデルのAUCが0.89（95% CI: 0.81-0.97）に達し、単にPSMA PETの視覚評価結果に基づくモデル（AUC 0.82）、および従来のMSKCCモデルやBriganti-2017モデル（AUCそれぞれ0.75および0.73）を上回る結果を示しました。モデルの感度は71%、特異度は97%であり、校正曲線および意思決定曲線分析においても高い純利益を確認しました。

テストグループでは、多モーダルモデルは依然として優れた性能を発揮し（AUC 0.85, CI: 0.69-1.0）、31％のリスク閾値で約50%の不要なEPLNDを削減。加えて、LNI陽性症例の見落としは10%未満でした。

データからの考察

研究から、LNI陰性患者と比較して、陽性患者は PSA値（31.3 vs 17.4 ng/mL, p=0.015）やSUVmax値（16.7 vs 13.7, p=0.022）が顕著に高いことがわかりました。校正試験においては、Hosmer-Lemeshow検定（p値はいずれも0.05より大きい）により、多モーダルモデルの予測値と観測値が高度に一致していることが示唆されています。

研究結論と意義

本研究は、PSMA PET画像による人工知能評価および従来の臨床パラメータを統合した多モーダルモデルを初めて提示し、前立腺癌リンパ節リスク予測において従来の予測ツールに勝るパフォーマンスを発揮しました。この結果は、手術前の正確な病期分類に新たな選択肢を提供します。研究結果によれば、全前立腺の深層学習特徴を含む統合的評価を用いることで、不要な手術操作の大幅な削減と診断漏れリスクの低減が可能となります。

研究の特徴

1. 革新的手法：PSMA PET/CT全画像範囲において Med3D 深層学習特徴を初めて導入。
2. 臨床的価値：予測精度と判断の一貫性を向上させつつ、誤陽性および誤陰性のリスクを低減。
3. 拡張性：本研究で構築されたモデルは汎用性があり、今後異なる画像診断技術やビッグデータと統合することで性能を向上できる可能性があります。

サンプルサイズの小ささや単一医療センターでのデザインによる制限があるものの、その実験手法と結果は、今後の多施設での外部検証やさらなる分子イメージング研究に貴重な基礎を提供します。