注目ポイント
本稿では、TESERAという新しい計算病理学フレームワークを紹介する。TESERAは、肝細胞癌（HCC）のヘマトキシリン・エオジン（H&E）染色全スライド画像から、予後と関連する意義の高い形態学的サブタイプを抽出する。臨床指標および分子指標と競合し得る精度で、正確な予後層別化を可能にする。
TESERAは、日常診療で取得される組織学的画像を活用することで、低コストかつ広範に展開可能な、生物学的背景を考慮したリスク層別化を実現し、HCCにおける臨床管理および治療意思決定の指針となる可能性がある。
研究背景
肝細胞癌（HCC）は世界的にがん関連死亡の主要な原因の一つであるが、診療現場で腫瘍生物学を的確に評価し、患者予後を層別化するための手段は限られている。従来の病理組織学的評価は有用な形態学的情報を提供する一方で、分子特性や予後指標との体系的な統合には乏しい。分子プロファイリングはHCCサブタイプの理解を深めたが、費用が高く、広く利用可能とはいえない。
したがって、ルーチンの組織学を活用して腫瘍生物学と患者リスクを把握し、病理業務の中で直接プレシジョン・メディシンを支援できる、拡張性と費用対効果に優れた方法が求められている。
研究デザイン
TESERAフレームワークは、HCC腫瘍のデジタル化されたH&E全スライド画像（whole-slide images, WSIs）に対して計算画像解析を適用する。著者らは、形態学的パターンを表す潜在埋め込み（latent embeddings）を生成する教師なし深層学習モデルを開発した。これらの埋め込みをクラスタリングし、事前注釈なしに異なるTissue Encoded Subtypes（TES）を同定した。
研究コホートは主としてThe Cancer Genome Atlas Liver Hepatocellular Carcinoma（TCGA-LIHC）データセットに由来し、臨床転帰および分子データと結び付いたデジタルWSIを含んでいた。さらにTESERAは、外部検証のための独立した院内コホートも含んでいた。
教師なしクラスタリングの後、TESERA埋め込みを用いて教師ありモデルを学習し、患者レベルで生存転帰を予測可能なTESERA形態学的指数（TESERA morphologic index, TESERA-MI）を算出した。
主な結果
Tissue Encoded Subtyping（TES1 vs TES2）
TESERAは、HCCにおいて2つの主要な形態学的サブタイプを同定した。
- TES1：良好な予後と関連し、代謝経路およびCTNNB1変異に富むサブタイプで、比較的低侵襲な生物学的特性を反映していた。
- TES2：全生存期間不良（hazard ratio［HR］=4.20）と関連し、増殖関連の分子経路およびTP53変異に富み、侵襲的な腫瘍挙動と整合的であった。
この区分は、既報の生物学的分類と整合する一方、計算形態学を通じて日常病理組織像から導出される点に独自性がある。
予後形態学的指数（TESERA-MI）
TESERA埋め込みを用いて学習した教師あり予測モデルによりTESERA-MIが生成され、強い予後予測能を示した。
- TCGA-LIHCコホートにおいて、全生存期間をHR=3.17、無病生存期間をHR=2.19で予測した。
- 一致指数（concordance index, C-index）0.73、ならびに1年、3年、5年の受信者動作特性曲線下面積（area under receiver operating characteristic curves, AUROCs）がそれぞれ0.82、0.80、0.79であり、従来の臨床変数および分子マーカーを上回る識別精度を示した。
- 多変量調整後も独立した予後因子として有意性を維持した（HR=2.97）。
- 独立した施設内コホートでも外部検証され（HR=2.16）、再現性が確認された。
分子経路との統合
TESERAの形態学的サブタイプは、生物学的に意味のある分子異常と強く相関し、組織像とゲノム情報を橋渡しした。
- TES1サブタイプは、CTNNB1変異および代謝関連遺伝子シグネチャーに富んでいた。
- TES2サブタイプは、TP53変異および増殖関連遺伝子発現パターンに富んでいた。
これは、形態学のみから腫瘍の基盤となる生物学を非侵襲的に推定できるTESERAの能力を支持する。
専門家コメント
TESERAは、HCCに対する計算病理学の大きな進歩を示すものであり、日常のH&E標本から臨床的に行動可能な生物学的・予後的情報を直接導出する実用的な手法を提供する。形態学的パターンと分子データ、転帰データを単一の枠組みに統合することで、従来の主観的な病理組織学的評価が抱える重要な限界を克服している。
さらに、TESERAが既存の臨床・分子マーカーを超えて患者を層別化できることは、個別化されたリスク評価および治療計画の改善につながる可能性を示唆する。教師なしで形態学的サブタイプを発見した点は、既知の生物学的知見を裏付けるとともに、多様な臨床環境へ展開可能な拡張性の高い基盤を提供する。
一方で、限界としては、高品質なスライドデジタル化への依存、およびHCCの異質性が世界的に異なり得ることから、より広範で人種的・病因学的に多様な集団での追加検証が必要である点が挙げられる。加えて、リアルタイムの臨床ワークフローとの統合や、病理医にとっての解釈可能性も普及には重要である。
結論
TESERAは、標準的なH&E組織像を活用し、肝細胞癌の生物学的・予後的に異なる形態学的サブタイプを同定する、新規の公開可能な計算パイプラインを提供する。分子マーカーや臨床指標と競合し得る、正確で独立した予後指数を提示し、低コストで広く導入可能なリスク層別化を実現する。
本研究結果は、病理診断の日常業務に生物学的背景を考慮した予後ツールを組み込むことで、HCCの診断と管理を変革する可能性を示している。今後の研究では、検証の拡大、TESERAの臨床意思決定支援への統合、ならびに標的治療の選択における有用性の検討が求められる。
資金提供およびClinicalTrials.gov
原著論文の資金提供 स्रोतは要旨中に明記されていなかった。本研究は計算病理学の開発研究であり、臨床試験登録は示されていない。
参考文献
1. Yasaka TM, Afrin S, Chen PY, et al. TESERA: morphologic subtyping and prognostic stratification of hepatocellular carcinoma from H&E whole-slide images. Hepatology. 2026 Oct 2. PMID: 42826064.
2. Llovet JM, Kelley RK, Villanueva A, et al. Hepatocellular carcinoma. Nat Rev Dis Primers. 2021 Aug 12;7(1):6.
3. Schulze K, Nault JC, Villanueva A. Genetic profiling of hepatocellular carcinoma using next-generation sequencing. J Hepatol. 2016 Aug;65(2):237–247.
4. Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019 Aug;25(8):1301-1309.
