ラジオミクス、ディープラーニング、トランスクリプトミクス、メタボロミクスの統合により結腸直腸がんの予後リスク層別化と基礎生物学的メカニズムを解明

患者と家族にとってこの研究が重要な理由

結腸直腸がんは世界的に最も一般的で致命的ながんの一つですが、手術後にどの患者が良好な経過をたどり、どの患者が病気で命を落とすリスクが高いかを医師が予測するのは依然難しい問題です。本研究は、日常的に行われる医用画像検査に高度な計算解析と分子検査を組み合わせることで、患者を明確なリスク群に分類し、腫瘍内部の隠れた生物学的特徴を明らかにできることを示しています。将来的には、このようなアプローチにより高リスク患者にはより厳密な監視や強い治療を、低リスク患者には不必要な副作用を避ける治療選択が可能になるかもしれません。

メスを使わずに腫瘍をのぞく

研究者らは造影CTスキャンに着目しました。これは結腸直腸がんの評価に日常的に用いられる画像検査です。人間の目に見える所見だけに頼るのではなく、ラジオミクスとディープラーニングを用いて画像からほぼ2,000に近い微細な定量的特徴を抽出し、形状やテクスチャーの微妙なパターンを捉えて腫瘍の異質性を反映させました。次に、10種類の機械学習アルゴリズムを組み合わせた117通りを系統的に検証し、これらの画像特徴を患者の生存期間と結びつける最も信頼できる方法を探しました。最終的に選ばれたモデルはLassoと勾配ブースティングという2つの手法を組み合わせたもので、術前のCTスキャンのみから各患者に対する単一のリスクスコアを算出しました。

低リスクと高リスクの患者を分ける

4つの病院で治療を受けた1,183人のCT画像を用いて、チームは深層学習ラジオミクスモデルを訓練し、厳格に検証しました。画像ベースのスコアに閾値を設定することで、患者を低リスク群と高リスク群に分類しました。訓練セット、内部検証セット、そして2つの独立した病院にわたって、高リスク群の患者は一貫して低リスク群より生存期間が短いことが示されました。モデルの予測能力は、若年・高齢、男女、腫瘍ステージの違い、化学療法の有無といった多くのサブグループにおいても維持されました。さらに、画像ベースのスコアと臨床で一般的に用いられる指標であるCEAの血中濃度とリンパ節ステージの2つを組み合わせ、ノモグラムと呼ばれる簡便な図式ツールを作成すると、3年および5年生存予測の精度と臨床的有用性はさらに向上しました。

なぜある腫瘍はより危険なのか？

予測を越えて、なぜ一部の腫瘍がより攻撃的に振る舞うのかを理解するために、研究チームは画像に基づくリスク群とがんの分子変化を結びつけました。患者のサブセットでは、核磁気共鳴分光法を用いて腫瘍組織中の小分子を解析し、腫瘍と近傍の正常組織を比較しました。その結果、高リスク腫瘍と低リスク腫瘍はアミノ酸や短鎖脂肪酸を扱う代謝経路を含む、異なる代謝の指紋（フィンガープリント）を示しました。同時に、公開画像データベース由来の腫瘍について遺伝子発現を調べたところ、高リスク腫瘍では細胞周囲の支持構造である細胞外マトリックスに関連する経路が強く示されました。これらはがん細胞の転移や治療抵抗性に寄与することが知られています。一方、低リスク腫瘍は免疫関連経路が豊富で、がん細胞を殺すCD8陽性T細胞のレベルが高く、より活発な抗腫瘍免疫環境を示していました。

生存と関連する保護的な代謝経路

注目すべきことに、代謝物データと遺伝子発現データの両方が同じ2つの代謝経路——ブタノアート（酪酸）代謝および窒素代謝——が低リスク腫瘍でより活性であることを示していました。これらの経路は腸内細菌の産物や細胞の窒素処理に関連し、エネルギーバランスや免疫機能に影響を与えます。研究者らがThe Cancer Genome Atlas（TCGA）からの417例の独立した大規模データセットを検証したところ、これら2つの経路の活性が低いことは全体生存率の悪化と明確に関連していました。これは、これらの代謝プロセスを維持することが腫瘍増殖を抑えたり、より強い免疫応答を支えたりする可能性があり、将来的にバイオマーカーや治療標的として検討され得ることを示唆します。

今後のがん医療にとっての意味

簡潔に言えば、本研究はスマートな画像解析と分子プロファイリングを組み合わせることで、予後予測ツールを鋭くすると同時に結腸直腸腫瘍内部で何が起きているかを明らかにできることを示しています。標準的なCTスキャンから導かれるリスクスコアは、日常的な臨床測定と組み合わせることで、術後にどの患者がより集中的な治療やフォローアップを必要とするかを見極める助けになる可能性があります。同時に、特定の免疫パターンや代謝経路が良好な転帰と結びつくことの発見は、体の防御機構を支える新しい方法や標的化治療の設計を示唆しています。これらの知見を裏付けるにはより大規模で前向きな研究が必要ですが、この統合的アプローチは結腸直腸がん患者に対するより個別化され、生物学に基づいた医療への一歩を示しています。

引用: Li, Z., Cai, R., Qin, Y. et al. Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer. npj Precis. Onc. 10, 155 (2026). https://doi.org/10.1038/s41698-026-01331-2

キーワード: 結腸直腸がん, ラジオミクス, ディープラーニング, 腫瘍代謝, 免疫微小環境