术後定位放射線療法による脳転移患者の局所制御の放射線学に基づく予測

情報科学 人工知能 神経内科学 医用画像学 脳神経外科学 腫瘍学 医学
放射線学 機械学習 局所失敗予測 脳転移 人工知能

脳転移患者の術後ステレオタクティック放射線療法局所制御予測における放射線機能解析の応用

学術背景

脳転移（Brain Metastases, BMs）は最も一般的な悪性脳腫瘍で、その発症率は原発性脳腫瘍（例えば膠芽腫）を大きく上回ります。最近の医療ガイドラインは、症状が顕著または大きな脳転移患者に対して手術治療を推奨しています。局所制御率を向上させるために、一または二つの切除されたBMs患者に対して切除腔のステレオタクティック放射線療法（Stereotactic Radiotherapy, SRT）を推奨しており、この方法により術後12ヶ月内に70%から90%の局所制御率が達成できます。しかし、補助SRT後でも局所失敗（Local Failure, LF）のリスクは依然として存在し、これが高LFリスク患者を識別するための予治療放射線機能解析（radiomics）予測ツールの需要を引き起こしています。

研究主要情報

この研究はJosef A. Buchnerらによって《Neuro-Oncology》誌に発表され、放射線機能解析と臨床特徴を使用して、脳転移術後およびSRT後の局所失敗ないしの自由度（Freedom From Local Failure, FFLF）を予測するための予治療放射線機能解析に基づく機械学習モデルを開発し、外部検証しました。

研究方法

データ収集と初期処理

この研究のデータは「多中心脳転移切除腔放射治療分析」(Aurora) 回顧的研究から得られました。訓練コホートには二つのセンターからの253名の患者が含まれ、外部テストコホートには五つのセンターからの99名の患者が含まれます。放射線機能解析の特徴は、造影されたBMs（T1-CE MRIシーケンス）と周囲浮腫（FLAIRシーケンス）から抽出されました。最終モデルは訓練コホート全体で訓練され、外部テストセットでテストされました。

特徴抽出と処理

  • DICOM画像はNIFTIフォーマットに変換され、Brain Extraction Toolkit (BET)を使用して大脳部分のみを抽出しました。
  • 放射線機能解析の特徴はPyRadiomicsツールキットを使用して3D MRIシーケンスから抽出しました。
  • 異なるMRIスキャナーによる差異を補うため、NeuroCombatを使用してバッチ補正を行いました。
  • 最小冗長-最大相関（mRMR）特徴選択フレームワークを適用し、関連性が高く冗長でない特徴を選択しました。

モデル訓練とテスト

Elastic Net回帰モデル（ENR）、ランダムフォレストモデル（RF）およびエクストリーム・グラディエント・ブースティングモデル（XGBoost）を使用してモデルの訓練とテストを行いました。5折交差検証を通じて最適なバッチ補正モードと最適な特徴数を決定しました。最終モデルは訓練セットで訓練され、複数のセンターからの外部テストセットでテストされました。

評価指標

モデルの性能は一致性指数（CI）によって量化されました。臨床結果を考慮するために、24ヶ月目の時点で決定曲線分析が評価されました。手動セグメンテーションと比較して、自動生成されたセグメンテーション結果はDice類似係数（DSC）で比較されました。

結果と議論

内部検証と外部テスト

内部検証では、Comb+Pre-Op特徴セットとENR学習器の組み合わせが最も高い平均CI（0.67）を達成し、外部テストセットでは、Comb+Pre-Op特徴セットのCIは0.77に達し、任意の単独の臨床特徴モデルを上回りました。

臨床応用価値

この研究のモデルは、リスクが低い患者群と高い患者群を有意に区別でき（p < 0.001）、24ヶ月後、低リスク群とは異なり、高リスク群ではそれぞれ9%と74%のLFが発生しました。この結果は、患者のフォローアップと治療計画の調整における本モデルの潜在的な価値を示しています。

モデル性能と放療線量の関係

研究では、局所制御に対する放療線量EQD2（2グレイ等価線量）の増加の影響が小さいことが見出されました。統合予測モデルでは予測性能が改善しましたが、モデルの臨床応用価値に顕著な変更はありませんでした。

放射線機能解析特徴と腫瘍体積の関係

放射線機能解析特徴は局所失敗をよく予測でき、その特徴はBMsの大きさや体積を直接表すものではありませんでした。また、訓練コホート内部検証では腫瘍体積のCIは低かったが、外部テストでは良好な結果を示しました。

影響と提案

高リスク患者は、リスク適応治療やより頻繁なフォローアップから利益を得られる可能性があります。例えば、SRT線量の増加、血液脳関門を通過するシステム薬物の使用、より広範囲のCTV境界などが考えられます。

結論

この研究では、放射線機能解析と臨床特徴に基づいた機械学習モデルを開発し、脳転移術後の局所失敗なく自由度をより効果的に予測しました。この研究は、多中心データセットの可行性を検証し、個別化治療への優れた証拠を提供し、脳転移患者の総合的な管理を顕著に改善する可能性があります。同時に、モデルとアルゴリズムは易用性のあるウェブアプリケーションとして公開され（https://jbuchner.shinyapps.io/shiny/）、臨床医がフォローアップと治療計画を調整するのに便利です。

本論文は、放射線機能解析と臨床特徴の結合について重要な革新性を持ち、未来の患者管理と治療に新しい視点と方法を提供することが期待されています。この研究は、多中心臨床試験のための堅実なデータ基盤を提供し、実際の応用における放射線機能解析に基づく予測モデルの潜在能力を証明しました。