Loading article…
医学分野において、ラジオミクスは、データ特性化アルゴリズムを使用して医用画像から多数の特徴を抽出する手法です。 [ 1 ] [ 2 ] [ 3 ] [ 4 ] [ 5 ]これらの特徴はラジオミクス特徴と呼ばれ、肉眼では認識できない腫瘍のパターンや特徴を明らかにする可能性があります。[ 6 ]ラジオミクスの仮説は、疾患形態間の特徴的な画像特徴が、さまざまな癌タイプの予後や治療反応の予測に役立ち、個別化治療に貴重な情報を提供する可能性があるというものです。[ 1 ] [ 7 ] [ 8 ]ラジオミクスは、放射線学と腫瘍学の医学分野から生まれ[ 3 ] [ 9 ] [ 10 ]、これらの分野内で最も高度な応用が行われています。しかし、この技術は、病理学的プロセスを画像化できるあらゆる医学研究に適用できます。
画像データは、CT [ 11 ] MRI [ 12 ] PET/CT または PET/MR [ 13 ]などの放射線学的モダリティによって提供されます。生成された生データボリュームは、抽出ツールを使用してさまざまなピクセル/ボクセル特性を見つけるために使用されます。[ 2 ]
抽出された特徴量は、診療所がアクセスできる大規模データベースに保存され、広範な協力と累積的な作業を可能にすることで、増大するデータ量から全員が恩恵を受け、理想的にはより正確なワークフローを実現できる。
画像はデータベースに保存された後、腫瘍などの重要な部分、つまり「関心領域」と呼ばれる部分に縮小する必要があります。[ 2 ]
処理する必要のある画像データが膨大であるため、大量のデータを含むラジオミクスデータベースが作成された場合、すべての画像に対して手動でセグメンテーションを実行するのは大変な作業になります。そのため、手動による輪郭抽出は時間がかかり、評価者のばらつきの影響を受ける可能性があります。[ 14 ] [ 15 ]手動によるセグメンテーションの代わりに、自動化されたプロセスを使用する必要があります。考えられる解決策は、ディープラーニングに基づく自動腫瘍セグメンテーション手法[ 15 ] [ 14 ]と、人間が最初の数枚のスライスにラベルを付け、その後機械学習システムが残りの処理を行う半自動セグメンテーションワークフロー[ 16 ]の2つです。大規模に適用する前に、アルゴリズムは次の4つのタスクでできるだけ高いスコアを獲得する必要があります。
近年、機械学習と深層学習は、自動医療画像セグメンテーションの主流となっています。多くの手法は、U-Netのようなモデル[ 14 ] [ 15 ]やCE-net [ 18 ]などの畳み込みニューラルネットワークに基づいています。
セグメンテーション後、多くの特徴を抽出でき、縦断的画像からの相対的な正味変化（デルタラジオミクス）を計算できます。ラジオミクスの特徴は、サイズと形状に基づく特徴、画像強度ヒストグラムの記述子、画像ボクセル間の関係の記述子（グレースケール共起行列（GLCM）、ランレングス行列（RLM）、サイズゾーン行列（SZM）、近傍グレートーン差行列（NGTDM）由来のテクスチャなど）、フィルタリングされた画像から抽出されたテクスチャ、およびフラクタル特徴の 5 つのグループに分類できます。これらの特徴の数学的定義は、画像モダリティに依存せず、文献に記載されています。[ 19 ] [ 20 ] [21][ 22 ]ラジオミクスのテクスチャ特徴の詳細な説明は、Parekh et al. (2016) [ 4 ]および Depeursinge et al. (2017) [ 23 ] に記載されています。
多様性が非常に大きいため、冗長な情報を排除するために特徴削減を実施する必要があります。このプロセスを加速するために、選択アルゴリズムを使用して数百の異なる特徴を評価する必要があります。さらに、不安定で再現性のない特徴は、忠実度の低い特徴が偽の発見や再現性のないモデルにつながる可能性が高いため、排除する必要があります。[ 24 ] [ 25 ]
分析
最も関連性の高い特徴が選択された後、意味のあるパターンと関係を見つけるためにデータを分析する必要があります。現代の医療分析では、疾患検出、病変特性評価、治療計画などのタスクのために、画像および非画像の患者データを分析するために、AI、機械学習、および深層学習がよく使用されます。 [ 26 ]この情報は、CAD（コンピュータ支援診断）システムの構築にさらに使用できます。 [ 27 ]ラジオミクスでは、形状、強度、テクスチャなどの低次の画像特徴を使用して、サポートベクターマシン、ランダムフォレスト、ロジスティック回帰、PCA、クラスタリングなどの従来の機械学習手法を使用して予測を行うか、畳み込み層でデータから特徴を自動的に学習し、全結合層で予測または回帰を行う畳み込みニューラルネットワークなどの深層学習手法を使用します。[ 28 ]
実際の分析の前に、画像ラジオミクス、分子バイオマーカー、遺伝情報などのさまざまなデータタイプを統合して、モデルのパフォーマンスを向上させることができます。このマルチオミクス統合により、AI モデルは多次元データに基づいて意思決定を行うことができ、がんのサブタイプ分類、リスク予測、治療選択、臨床意思決定支援を改善できます。[ 29 ]統合されたデータは、結果変数を使用して予測モデルを作成できる教師あり学習、または、持っている情報を要約してグラフで表現できる教師なし学習を使用して分析できます。
統合型放射線画像データベースを作成するには、いくつかの手順が必要です。まず、画像データを診療所からエクスポートする必要があります。患者情報は非常に機密性が高く、HIPAAなどのプライバシー法によって規制されているため、これは非常に困難な手順です。同時に、エクスポートされたデータは圧縮時にその完全性を損なわないようにし、データベースには同じ品質のデータのみが組み込まれるようにする必要があります。臨床データと分子データの統合も重要であり、大容量の画像保存場所が必要です。
ラジオミクスの目標は、このデータベースを新規患者にも利用できるようにすることです。つまり、新しい入力データをデータベースに通して、患者の病状の経過に関する情報を返すアルゴリズムが必要になります。例えば、腫瘍の増殖速度、患者が一定期間生存する可能性、遠隔転移の可能性とその部位などです。これにより、手術、化学療法、放射線療法、標的薬など、今後の治療方針や、生存率や病状改善を最大化する最適な治療法を選択することができます。アルゴリズムは、画像と特徴間の相関関係を認識し、データベースのデータから入力データへの外挿を可能にする必要があります。
Aerts ら (2014) [ 30 ]は、1000 人以上の患者からなる 3 つの肺がんコホートと 2 つの頭頸部がんコホートを含む最初の大規模なラジオミクス研究を実施しました。彼らは、治療前に取得したコンピュータ断層撮影(CT) 画像から抽出された 400 を超えるテクスチャ、形状、強度ベースの特徴の予後値を評価しました。腫瘍の体積は、専門の放射線腫瘍医によって定義されるか、半自動セグメンテーション法を使用して定義されました。 [ 31 ] [ 32 ]彼らの結果は、患者の生存を予測し、腫瘍内異質性を記述するのに役立つ可能性のあるラジオミクス特徴のサブセットを特定しました。彼らはまた、これらのラジオミクス特徴の予後能力が肺がんから頭頸部がんに転用できることを確認しました。しかし、Parmar ら (2015) [ 33 ]は、一部のラジオミクス特徴の予後値はがんの種類に依存する可能性があることを示しました。特に、肺がん患者の生存率を有意に予測する放射線画像の特徴が、頭頸部がん患者の生存率も予測できるとは限らず、またその逆も同様であると彼らは観察した。
Nasief ら (2019) [ 25 ]は、縦断的画像における放射線画像特徴量の時間的変化 (デルタ放射線画像特徴量、DRF) が膵臓癌の治療反応を予測するバイオマーカーとして使用できる可能性があることを示した。彼らの結果では、ベイズ正則化ニューラルネットワークを使用して、2～4 週間の治療後に良好な反応者と不良な反応者の間で有意な変化を示した DRF のサブセットを AUC = 0.94 で特定できることが示された。また、彼らは (Nasief ら、2020) DRF が生存の独立した予測因子であり、臨床バイオマーカー CA19-9 と組み合わせると、治療反応予測を改善し、反応に基づく治療適応の可能性を高めることができることも示した。[ 34 ]
また、いくつかの研究では、放射線画像の特徴が、腫瘍の体積や直径、陽電子放出断層撮影（PET）画像における最大放射性トレーサー取り込みなどの従来の指標よりも治療反応の予測に優れていることが示されています。[ 35 ] [ 36 ] [ 37 ] [ 38 ] [ 39 ] [ 40 ] [ 41 ]この技術を使用して、腫瘍内リンパ球密度に基づく初期トレーニングの後、免疫療法に対する腫瘍反応の確率を予測するアルゴリズムが開発され、免疫腫瘍学という新興分野における個別化治療のための強力なツールとしての放射線画像の臨床的可能性が実証されています。[ 42 ]他の研究では、治療前のCT [ 43 ]およびPET/CT画像を使用してNSCLC患者の免疫療法反応を予測するための放射線画像の有用性も実証されています。[ 44 ]
ラジオミクスは、一部のアプリケーションでは従来の技術よりも劣っており、さまざまな臨床シナリオに合わせてラジオミクスの特徴を継続的に改善および操作する必要があることを示唆しています。たとえば、Ludwig ら (2020) [ 45 ]は、 3 次元回転血管造影から頭蓋内動脈瘤破裂状態を識別する際に、形態学的ラジオミクス特徴が以前に確立された特徴よりも劣っていることを実証しました。
放射線画像解析研究により、画像ベースのマーカーは病期分類やバイオマーカーとは直交する情報を提供し、予後予測を改善する可能性を秘めていることが示されています。[ 30 ] [ 46 ] [ 47 ]
腫瘍の転移能は、放射線画像の特徴によって予測される場合もある。[ 48 ] [ 49 ]例えば、 2015年にCorollerらが行った研究では、35のCTベースの放射線画像の特徴が肺がんの遠隔転移を予測することが確認された。 [ 48 ]そのため、放射線画像の特徴は遠隔転移のリスクが高い患者を特定し、医師が個々の患者に効果的な治療法を選択する際の指針となる可能性があると結論付けた。
肺腫瘍の生物学的メカニズムは、独特で複雑な画像パターンを示す可能性がある。[ 50 ] [ 51 ] [ 1 ]特に、Aerts ら (2014) [ 1 ]は、ラジオミクス特徴が細胞周期相、DNA 組換え、免疫系プロセスの調節などの生物学的遺伝子セットと関連していることを示した。さらに、 1p/19q 欠失、MGMT メチル化、TP53、EGFR、NF1 などの膠芽腫(GBM) のさまざまな変異は、腫瘍体積、壊死体積、造影増強体積などの磁気共鳴画像法 (MRI) 体積測定によって有意に予測されることが示されている。[ 52 ] [ 53 ] [ 54 ]さらに、再発性神経膠腫の腫瘍変異負荷は、独自のラジオミクスシグネチャとも関連している。 [ 55 ]
ラジオミクスは非侵襲的であるという利点があり、そのため侵襲的な腫瘍生検よりも容易に特定の患者に対して前向きに繰り返すことができます。ラジオミクスは、放射線治療の過程における腫瘍の動態変化を監視し、線量増加が有益となるリスクのあるサブボリュームを定義する手段となる可能性があることが示唆されています。[ 56 ] [ 57 ]
脳転移に対する定位放射線手術（SRS）後の治療効果または放射線壊死は、真の進行と区別できないことが多い一般的な現象です。ラジオミクスは、病理学的結果のある66人の患者の82の治療済み病変のセットで有意な差を示しました。上位ランクのラジオミクス特徴が最適化されたIsoSVM分類器に入力され 、感度と特異度はそれぞれ65.38%と86.67%となり、leave-one-out交差検証で曲線下面積は0.81でした。神経放射線医によって分類できたのは73%の症例のみで、感度は97%、特異度は19%でした。これらの結果は、ラジオミクスがSRSで治療された脳転移における治療効果と真の進行を区別する上で有望であることを示しています。[ 58 ]
ラジオミクスは、脳活動などの困難な生理学的イベントを特定するためにも使用できます。脳活動は通常、機能的MRI「fMRI」などの画像技術で研究されます。fMRIの生画像はラジオミクス解析を受け、後で意味のある脳活動と相関させることができる画像特徴を生成できます。[ 59 ]
画像ゲノミクスにおいて、放射線ゲノミクスは、生検を用いずに疾患、特に癌のゲノムを特定できる画像バイオマーカーを作成するために利用できます。高次元データを扱うための様々な手法が、SAM、VAMPIRE、GSEAなどを用いて、 MRI、CT、PETの画像特徴と疾患のゲノムとの間の統計的に有意な相関関係を見つけるために用いられています。
画像診断による放射線ゲノム解析アプローチは、予後不良の悪性度の高い脳腫瘍である膠芽腫のMRI表現型に関連する遺伝子の決定に成功している[ 60 ] 。GBMにおける最初の大規模なMR画像診断によるマイクロRNA-mRNA相関研究は、2011年にZinnらによって発表された[ 61 ] 。肝臓がん における同様の研究では、非侵襲的な画像診断の特徴から肝臓がんゲノムの大部分を決定することに成功している[ 62 ]。スタンフォード大学のGevaertらは、公開されている遺伝子発現データを活用することで、CTスキャンにおける非小細胞肺結節の画像特徴を生存予測にリンクさせる可能性を示した[ 63 ] 。この論文には、画像診断とゲノミクスの相乗効果について論じた論説が添えられていた[ 64 ]。最近では、Mu Zhouらが、スタンフォード大学の研究では、意味的画像特徴と標準的な分子経路を表すメタ遺伝子との間に複数の関連性があることが示されており、非小細胞肺癌の分子特性を非侵襲的に特定できる可能性がある。[ 65 ]
前立腺癌では、これまでにいくつかの放射線ゲノム研究が行われてきました。[ 66 ] [ 67 ] [ 68 ]一部の研究では、MRI信号と相関する遺伝的特徴は、より悪性度の高い前立腺癌とも関連していることが指摘されています。[ 69 ] MRIでより視認性の高い病変に見られる遺伝的特徴の系統的レビューでは、腫瘍抑制遺伝子PTENの喪失、細胞増殖に関連する遺伝子発現の増加、および細胞-ECM相互作用を発見した複数の研究が特定されました。[ 70 ]これは、特定の遺伝的特徴が細胞の変化を引き起こし、それが最終的にMRIで観察できる体液の動きに影響を与え、これらの特徴は主に予後不良と関連していることを示唆している可能性があります。[ 70 ] mpMRIで視認できる前立腺腫瘍の患者における、より危険な遺伝子変異、組織学、および臨床転帰の組み合わせにより、「臨床的に重要な癌」の定義は、少なくとも部分的にはmpMRIの所見に基づくべきであるという提案につながっています。[ 71 ]
放射線ゲノムアプローチは乳がんにも応用され、成功を収めている。2014年、Mazurowskiら[ 72 ]は、コンピュータビジョンアルゴリズムを用いて計算されたMRIの造影ダイナミクスが、乳がん患者の遺伝子発現に基づく腫瘍分子サブタイプと関連していることを示した。
放射線医学とゲノム科学の関連性を研究するプログラムは、ペンシルベニア大学、UCLA、MDアンダーソンがんセンター、スタンフォード大学、そしてテキサス州ヒューストンのベイラー医科大学で活発に行われている 。
多パラメータ放射線画像は、様々な疾患の検出、特徴付け、診断に不可欠です。しかし、現在の放射線画像解析手法は、これらのテクスチャ特徴を抽出するために単一画像のみを使用するという制約があり、様々な臨床現場における放射線画像解析の適用範囲を制限する可能性があります。そのため、現状では、高次元の多パラメータ画像空間における真の組織特性を捉えることはできません。
最近、高次元データセットから放射線画像の特徴を抽出するための、MPRADと呼ばれるマルチパラメトリック画像放射線画像フレームワークが開発されました。[ 73 ] マルチパラメトリック放射線画像は、乳がんや脳卒中と呼ばれる脳血管障害など、2つの異なる臓器と疾患でテストされました。
乳がんにおいて、MPRADフレームワークは、87%の優れた感度と80.5%の特異度で、AUCが0.88の悪性乳房病変と良性乳房病変を分類しました。MPRADは、単一のラジオミクスパラメータと比較して、AUCを9%～28%増加させました。さらに重要なことに、乳房では、正常腺組織のMPRADは各グループ間で類似しており、有意差はありませんでした。[ 73 ]
同様に、脳卒中における MPRAD の特徴は、単一パラメータのラジオミクスと比較して灌流拡散ミスマッチの識別性能が向上し、白質および灰白質組織内には違いがありませんでした。[ 73 ]単一ラジオミクスの二次特徴 (GLCM) の大部分は、ADC マップ上で梗塞組織とリスクのある組織の間に有意なテクスチャの違いを示しませんでした。一方、同じ二次多パラメータラジオミクス特徴 (TSPM) は、DWI データセットで有意に異なっていました。同様に、TTP および PWI データセットの多パラメータラジオミクス値は、MPRAD に対して優れた結果を示しました。MPRAD TSPM エントロピーは、梗塞組織と潜在的なリスクのある組織の間で有意な違いを示しました: (6.6±0.5 vs 8.4±0.3、p=0.01)。
ラジオミクスは、実際の臨床応用での使用を制限するいくつかの課題に直面しています。[ 74 ]最初の問題は、トレーニングデータの収集に存在する、医用画像の入力前に発生します。画像プロトコルに標準化がないため、医療施設はさまざまな画像技術、スキャナ装置、画像パラメータ、および造影剤を使用します。[ 74 ]また、放射線科医は手動で画像をセグメント化するため、プロセスに主観性が入り込み、抽出された特徴に大きな影響を与える可能性があります。[ 74 ] [ 75 ]以前のスキャンからの画像データは簡単に取得できますが、入力画像を慎重に選択しないと、AI モデルは偏った、または信頼性の低いデータセットでトレーニングされる可能性があります。[ 76 ]
データから抽出される特徴量がサンプル数よりも多いため、データセットは高次元になります。[ 75 ]結果として得られる相関性の高いトレーニングセットの課題は、過学習の危険性です。[ 75 ]モデルは信頼できる生物学的マーカーではなく、データのノイズを識別するように学習し、独立した検証に導入されるまでは良好なパフォーマンスを示すように見えるモデルになります。[ 75 ] [ 76 ]トレーニングデータ以外でモデルがうまく機能できたとしても、結果として得られるモデルがどのように機能するかを理解するのが難しいため、臨床医が信頼することは困難です。[ 75 ]
画像プロトコルと画像前処理の標準化を改善するための取り組みが行われています。[ 74 ]これは、多様な画像セットを取得することと相まって、モデルのパフォーマンスを大幅に向上させるでしょう。[ 75 ]ラジオミクスが普及するにつれて、より大規模なデータセットが利用可能になり、現在のモデルにおける高い相関の問題に役立つ可能性があります。[ 75 ]また、複数の施設のデータを使用することで、トレーニングバイアスが排除され、モデルが新しい患者集団で機能することが保証されます。[ 76 ]