機械学習で明らかになった、両側性肝細胞癌の異なる2つの表現型

背景

両側性肝細胞癌は、肝臓の両葉に病変を認める肝癌を指します。臨床では、しばしば多発病変として認められ、その発生には異なる生物学的経路が関与している可能性があり、予後や治療選択は非常に不均一です。肝切除で利益が得られる患者がいる一方、併用療法または非手術的アプローチのほうが適している患者もいます。主な課題は、手術後に良好な経過が期待できる患者と、技術的には完全切除が達成されてもより進行性の高い病変を有する患者を見分けることです。

本研究では、機械学習を用いて、術前および術中の特徴に基づき、両側性肝細胞癌患者を異なる臨床表現型に分類できるかを検討しました。目的は、病変のパターンを記述することにとどまらず、それらのパターンが従来の単一因子評価よりも正確に生存および再発を予測できるかを明らかにすることでした。

研究デザインと方法

研究者らは、2000年から2023年の間に両側性肝細胞癌に対して根治切除を目的とした肝切除術を受けた患者について、多施設データベースを解析しました。根治切除を目的とした肝切除とは、肉眼的に確認できる腫瘍をすべて取り除くことを目標として施行された手術を意味します。患者は、事前にラベル付けされたカテゴリを用いず、類似した特徴を持つ患者をまとめる教師なし機械学習法であるk-meansクラスタリングを用いて解析されました。

その後、得られたサブグループについて、腫瘍負荷、手術アプローチ、病理、全生存期間、無再発生存期間を比較しました。全生存期間とは、手術からあらゆる原因による死亡までの期間を指します。無再発生存期間とは、手術からがんの再発または死亡のいずれか早い方までの期間を指します。生存転帰はKaplan-Meier法で推定し、多変量Cox回帰により検定しました。これは、複数の臨床因子を同時に調整する解析法です。

主な結果

対象は計347例でした。機械学習により、2つの明確な表現型が同定されました。

クラスター1には95例が含まれ、腫瘍径が大きく、全体としての腫瘍負荷が高く、非肝硬変肝が多く、major hepatectomyを要する割合が高いことが特徴でした。major hepatectomyとは、病変が広範囲または肝門部など中心寄りに存在する場合に必要となることが多い、より大きな肝切除を意味します。

クラスター2には252例が含まれ、多発する小病変を特徴としていました。これらの患者では、低侵襲手術や同時アブレーション（手術と同時に行う熱凝固による腫瘍破壊）がより多く行われました。

2つのクラスターは単に規模が異なるだけでなく、生物学的・臨床的パターンも異なっていました。クラスター1では、病理学的により進行性の高い特徴が多く、転帰も著しく不良でした。5年全生存率はクラスター1で34.9％であり、クラスター2の63.2％と比較して低値でした。早期再発もクラスター1でより多く、クラスター2の38.1％に対して53.7％に認められました。

重要な点として、クラスター分類は、切除断端の状態や微小血管侵襲といった他の高リスク因子を考慮した後も、予後と独立して関連していました。切除断端の状態とは、腫瘍が正常組織の縁を含めて完全に切除されたかどうかを指します。微小血管侵襲とは、腫瘍周囲の小血管内にがん細胞が認められる所見であり、進行性病変の既知の指標です。調整解析では、クラスター分類が全生存期間と無再発生存期間の双方を予測しました。

臨床的解釈

本研究は、両側性肝細胞癌が単一の疾患単位ではないことを示唆しています。むしろ、少なくとも2つの臨床的に意味のある表現型が含まれていると考えられます。一方の表現型は、より大きく広範な腫瘍が主体で、より複雑な手術を要する傾向があります。もう一方の表現型は、多発する小病変を伴い、より低侵襲の治療や局所療法の併用に適しているようです。

外科計画の観点から、この違いは重要です。腫瘍負荷の少ない多発病変患者では、選択された病変に対するアブレーションを手術と組み合わせることで、良好な長期生存が得られる可能性があります。これに対して、主腫瘍と衛星病変を有する患者や、腫瘍負荷が非常に高い患者では、技術的に成功した手術後であっても予後不良となる可能性があり、肝機能や腫瘍生物学に応じて、手術と局所領域療法または全身療法を組み合わせるなどの多面的治療戦略が有益となり得ます。

表現型が病理の調整後も予測因子として残ったことは、術前リスク層別化の有用性を強調しています。言い換えれば、手術前に認められる病変パターン自体が、病理のみでは十分に捉えきれない重要な生物学的差異をすでに反映している可能性があります。

機械学習の意義

従来のがん研究では、腫瘍径、病変数、血管侵襲など、1つの因子ずつを比較することが一般的です。この方法は有用ですが、因子間の複雑な相互作用を見落とす可能性があります。機械学習によるクラスタリングは、複数の特徴にまたがる隠れたパターンを同定し、実臨床の不均一性をよりよく反映する意味のあるカテゴリーに患者を分類できます。

本研究では、k-meansクラスタリングにより、治療パターンと転帰が異なる両側性肝細胞癌の2つの亜型が明らかになりました。この種の解析は、将来的にprecision surgery（精密外科）を支える可能性があり、治療はがんの存在だけでなく、病変の特定の表現型に応じて個別化されるようになるかもしれません。

臨床実践への示唆

本研究結果は、両側性肝細胞癌患者に対する手術適応の精緻化に役立つ可能性があります。腫瘍径、病変数、肝の状態、想定される切除範囲などの術前因子を用いることで、患者がより良好または不良な表現型に属するかを推定できるかもしれません。

実際には、以下のような意思決定に影響する可能性があります。

第一に、外科医は、予測される表現型に基づいて、major resection、limited resection、低侵襲手技、併用アブレーション戦略のいずれを選択するかを検討できます。

第二に、より進行性の病変を有する患者では、手術後の追加治療、または手術と併用した治療をより早期に検討することができます。

第三に、このモデルは、再発リスクや長期転帰について患者により現実的な説明を行う際の助けになります。

ただし、これらの結果は、高リスク患者では手術を避けるべきであることを意味しません。むしろ、より個別化された医療の必要性を支持し、選択された症例では多面的治療計画の重要性を示しています。

限界

後ろ向き研究である以上、重要な限界があります。データは長期間にわたり複数施設から収集されており、その間に手術手技、画像診断の質、補助療法の戦略が変化している可能性があります。さらに、クラスタリングは探索的手法であり、パターンを同定することはできても因果関係を証明するものではありません。

もう1つの限界は、機械学習モデルがデータベース内で利用可能な変数に依存することです。重要な生物学的マーカー、分子データ、治療時期の詳細などは、十分に収集されていない可能性があります。したがって、2つのクラスターは臨床的に有用であるものの、日常診療で広く意思決定に用いる前に、独立したコホートでの検証が必要です。

結論

本研究は、両側性肝細胞癌が、腫瘍負荷、手術戦略、予後の異なる2つの臨床的に重要な表現型を有することを示しています。低腫瘍負荷の多発病変患者では生存率が良好であった一方、主病変と衛星病変を有する患者ではより不良な転帰を示しました。術前の表現型に基づく層別化は、手術適応の最適化に寄与し、この治療困難な肝癌に対して、より個別化された多面的治療アプローチを導く可能性があります。