《多パラメータMRI画像による腫瘍内外のラジオミクス特徴に基づく膠芽腫のグレード予測》

研究背景

膠芽腫は中枢神経系で最も一般的な原発性脳腫瘍であり、成人の悪性脳腫瘍の80%を占めます。臨床実践では、治療の決定は通常、腫瘍のグレードに基づいて個別に調整されます。世界保健機関（WHO）は膠芽腫を4つのグレード（I-IV）に分類し、さらに低グレード膠芽腫（LGG、I級とII級）と高グレード膠芽腫（HGG、III級とIV級）に分けています。正確な膠芽腫のグレード分類は、治療計画の立案、個別治療の実施、予後および生存期間の予測において極めて重要です。現在、膠芽腫のグレード診断は主に外科的生検や組織病理学的分析によって行われています。しかし、この診断法は侵襲的であり、場合によっては患者に適さないため、非侵襲的で高精度な膠芽腫のグレード分類システムが求められています。

磁気共鳴画像（MRI）は、過去数年間にラジオロジストが脳腫瘍を診断するための人気の非侵襲的手段となっています。経験豊富なラジオロジストは裸眼でMRIシーケンスから腫瘍を容易に検出できますが、腫瘍の異質性により膠芽腫のグレードを識別するのは依然として挑戦的です。近年、術前多パラメータMRI（mpMRI）スキャンとこれらのスキャンから抽出されたラジオミクス特徴を利用して膠芽腫のグレードを分類する試みは有望な進展を遂げています。例えば、Zacharakiらはコンピュータ支援診断（CAD）システムを開発し、サポートベクターマシン－再帰的特徴除去（SVM-RFE）法を使用して脳腫瘍のタイプを区別しました。VamvakasらもSVM-RFEアルゴリズムを使用してmpMRIデータから21個のラジオミクス特徴を選択し、膠芽腫のグレードを予測し、少量のサンプルで良好な結果を得ました。これらの研究はHGGとLGGの区別において相対的な成功を収めましたが、予測精度を向上させるためにより価値のあるラジオミクス特徴を抽出することは依然として課題です。

研究の出典

本研究は中南大学コンピュータ科学・工学部のJianhong Cheng、Jin Liu、Hailin Yue、そして著名な医学者Harrison BaiおよびYi Panとの協力で完成しました。論文は《IEEE/ACM Transactions on Computational Biology and Bioinformatics》誌に掲載されています。本稿は、術前mpMRIスキャンから抽出された腫瘍内（Intratumoral volume, ITV）および腫瘍外（Peritumoral volume, PTV）の特徴を組み合わせることにより、高精度で非侵襲的な膠芽腫のグレード分類方法を提案することを目的としています。

研究のワークフロー

研究全体はいくつかのステップで構成されています：

データと前処理

研究データはBRATSチャレンジデータセットから取得し、285個の術前mpMRIスキャン（210個のHGGと75個のLGG）を含み、また外部検証データセットとしてBRATS2019データセットから再組織した65個の術前mpMRIスキャン（48個のHGGと17個のLGG）を使用しました。各被験者には4つのスキャンモードがあります：T1加重（T1）、増強後T1加重（T1gd）、T2加重（T2）およびT2液体拡散逆転回復（FLAIR）。すべてのスキャンデータはまず同じ座標系に再取向され、1mmの等間隔ボクセルサイズにリサンプリングされ、大脳抽出ツールを使用して頭蓋骨を除去しました。

ボリューム定義と分割

臨床研究に基づき、BRATS主催者は3つの関心領域（VOIs）を確定しました：腫瘍コアの増強部分（ET）、壊死および非増強部分（NET）および腫瘍周囲の浮腫（PED）。非増強腫瘍には非増強腫瘍構造のみが含まれます。PTVが膠芽腫のグレード分類に与える影響をさらに研究するために、腫瘍コアの外側1mmから最大半径5mmの範囲内のボリュームをキャプチャする方法を開発しました。

ラジオミクス特徴の抽出

PyRadiomicsツールキットを使用して各VOIからラジオミクス特徴を抽出し、さまざまなフィルタリング方法と分類方法を利用して7つのカテゴリーの特徴を定量化しました：一階統計量に基づく特徴、2Dおよび3D形状特徴、グレーレベル相互依存度行列（GLCM）、グレーレベルランレングス行列（GLRLM）、グレーレベルサイズゾーン行列（GLSZM）、隣接グレーダーチョン行列（NGTDM）およびグレーレベル依存マトリックス（GLDM）。各VOIから2153個の定量的ラジオミクス特徴を抽出しました。

特徴選択と分類器のモデリング

LASSO回帰法を使用して各モード下で最も重要な特徴を選択し、すべてのモードから最適な特徴を組み合わせ、最小冗長最大相関（MRMR）アルゴリズムを使用して冗長特徴を排除しました。ランク上位のラジオミクス特徴を分類器に入力し、五重交差検証を使用して予測性能を評価しました。

研究結果

BRATS2017データセットで技術検証を行い、他の同様の研究結果と比較しました。結果は、非増強腫瘍領域と腫瘍周囲1mm領域が高い予測性能を有することを示しました。これらの2つの領域の特徴を組み合わせることで、分類器の予測能力がさらに向上し、最高0.975のAUC値を達成しました。

外部検証データセットの結果は、我々の方法の強力な一般化性能をさらに確認し、高精度および高感度の結果を得ました。この研究は、膠芽腫のグレード分類における我々が提案するラジオミクス特徴の重要な応用価値を実証しています。

研究の意義

本研究は、術前のmpMRIスキャンから抽出された腫瘍内外の特徴に基づく膠芽腫のグレード分類方法を提案し、非侵襲的かつ高精度です。多パラメータMRI画像の豊富なデータを組み合わせることで、本研究は臨床診断に新たな画像バイオマーカーを提供し、個別治療および予後予測に重要なサポートを提供することを期待されています。

研究のハイライトと革新性

• 腫瘍内外のラジオミクス特徴を組み合わせた新しい方法を提案し、膠芽腫のグレード予測の正確性を向上させました。
• 腫瘍外の曖昧な境界領域を正確にキャプチャするアルゴリズムを革新的に設計し、PyRadiomicsツールキットに組み込みました。
• 多パラメータMRI画像と多種類の機械学習分類器を統合することで、多次元特徴の潜在的な価値を深く探りました。

結論

腫瘍内外のラジオミクス特徴を組み合わせた統合的方法は、膠芽腫のグレード予測において優れた性能を発揮し、コンピュータ支援診断における多大な可能性と応用前景を示しています。画像バイオマーカーに関するさらなる研究と実践的検証は、腫瘍評価と治療決定に対してより包括的な支援をもたらすでしょう。