二重モダリティ放射線オミクスによる浸潤性乳がんのKi-67発現予測

この研究が患者にとって重要な理由

浸潤性乳がんと診断された女性にとって、腫瘍がどれくらい速く成長・転移するかは重要な問いです。医師はしばしばKi-67というタンパク質を使ってがん細胞の増殖速度を推定しますが、通常は針生検や手術で組織を採取する必要があります。本研究は、日常的に行われる超音波とマンモグラフィーの画像に含まれる情報を組み合わせ、コンピュータで解析することで、追加の侵襲的検査なしにKi-67レベルを予測できるかを検討しています。これにより、不快感やリスクを抑えながら治療を個別化する手助けになる可能性があります。

目に見える以上の情報をとらえる

超音波とマンモグラフィーは乳腺腫瘍の検出と特徴把握における標準的な手段です。放射線科医は形状や境界などの目に見える所見を観察しますが、各画像には目ではとらえきれない微妙な明暗やテクスチャーのパターンが含まれています。放射線オミクスはこれらの医用画像を数百の測定可能な特徴に変換し、各腫瘍を豊富な数値的指紋に変えます。著者らは、これらの指紋が腫瘍の攻撃性、すなわちKi-67の高低を反映しているかもしれないと考えました。

二種類の画像情報を組み合わせる

研究チームは、単一の病院で治療を受けた206人の浸潤性乳がん女性を対象に調査しました。全員が術前に明瞭な超音波およびマンモグラフィー画像を有し、さらに検査室で測定したKi-67結果がありました。腫瘍はKi-67低群（20％以下）と高群（20％超）に分類され、これは一般的に用いられるカットオフです。専門家が各画像上で腫瘍の輪郭を描き、コンピュータソフトウェアが各モダリティから1000を超える特徴を抽出しました。これらの特徴は基本的な明るさ、腫瘍形状、微細なテクスチャーパターンを記述し、元の画像と隠れた構造を強調するための数学的変換後の両方が含まれていました。

コンピュータに攻撃性を予測させる

すべての特徴が同等に有用なわけではないため、研究者らは予測力の高い特徴群に絞り込む統計手法を用いました。次に、いくつかの種類の機械学習モデルを訓練してKi-67高群と低群を識別し、超音波のみ、マンモグラフィーのみ、両者を組み合わせた3種類のモデルを構築しました。彼らは繰り返し交差検証という手法でモデルを厳密に評価しました。これはデータを何度もシャッフルして訓練とテストに分割し、新しい症例に対する汎化性能を検証するプロセスです。

画像からモデルが学んだこと

統合モデルは単一モダリティのモデルを明らかに上回りました。統合モデルは曲線下面積（AUC）0.882を達成し、高Ki-67と低Ki-67をほぼ10回中9回で正しく順位付けできることを示し、感度（攻撃的な腫瘍を見逃さない）と特異度（誤警報を避ける）のバランスも良好でした。超音波単独やマンモグラフィー単独は有意に精度が低かったです。重要な特徴の多くはテクスチャーを捉えており、腫瘍内の灰色レベルの均一性やばらつき、ならびに形状の側面を含んでいました。SHAPという解釈ツールを用いて、どの特徴が高リスクまたは低リスクの予測に強く寄与しているかを示し、モデルの判断をより透明にしています。

診療への潜在的影響と今後の課題

本研究は、超音波とマンモグラフィーの情報を組み合わせることで、組織検査に基づくKi-67検査と近いレベルで腫瘍の増殖活性を推定できる可能性を示唆しています。実際には、このようなツールがあれば、特に生検が困難な場合や経時的に繰り返し測定が必要な場合に、医師が治療の強化や厳重な観察の判断を下す助けになるかもしれません。ただし、本研究は単一施設の後ろ向き研究で行われたため、より大規模で多様な患者群や前向き試験での検証が必要です。確認されれば、この二重モダリティ放射線オミクス手法は個別化された乳がん治療を導く上で、従来の病理検査を補完する非侵襲的な有用ツールとなり得ます。

引用: Xu, R., Lin, Q., Zheng, C. et al. Prediction of Ki-67 expression in invasive breast cancer with dual-modality radiomics. Sci Rep 16, 12129 (2026). https://doi.org/10.1038/s41598-026-42827-y

キーワード: 乳がん, Ki-67, 放射線オミクス, 超音波, マンモグラフィー