ハイライト
本研究では、治療前のCT画像から派生した機械学習ベースの放射omicモデルと臨床データを組み合わせたものが、BCLCステージやALBIグレードなどの確立された臨床バイオマーカーを上回り、肝細胞がん（HCC）におけるアテゾリズマブとベバシズマブ免疫療法の生存率と反応を予測することが示されました。統合モデルは、全生存期間（OS）、無増悪生存期間（PFS）、免疫チェックポイント阻害剤への反応率に有意な差がある高リスク群と低リスク群に患者を正確に分類し、独立した国際コホートで検証されました。
研究背景と疾患負担
肝細胞がん（HCC）は世界中でがん関連死亡の主な原因であり、しばしば進行段階で診断されるため、根治的な治療オプションが限られています。アテゾリズマブとベバシズマブ（A/B）は、切除不能なHCCに対する第一選択の免疫療法レジメンとして、従来の基準よりも臨床結果を改善しています。しかし、この組み合わせに有利に反応する患者は少数であり、個別化治療決定をガイドする強力な予後予測バイオマーカーの必要性が緊急に求められています。現在の臨床バイオマーカー、BCLCステージやALBIグレードは、この設定での免疫療法反応と生存結果の予測精度が限られています。放射omic — 画像特徴の大量抽出 — は、高度な機械学習技術と組み合わせることで、ルーチン画像から腫瘍の異質性や宿主要因を捉え、追加の侵襲的処置なしに予後予測を改善する有望なアプローチです。
研究デザイン
この多施設の後ろ向き研究では、イムペリアル・カレッジ・ロンドン（ICL）とパリ公立病院協会（AP-HP）の2つの国際機関で、アテゾリズマブとベバシズマブ治療を受けた152人の切除不能なHCC患者が対象となりました。治療前のCTスキャンが解析に使用されました。深層学習モデルが用いられ、全肝臓の自動セグメンテーションが行われ、標準的な放射omic特徴量の抽出が可能になりました。これらの放射omic特徴量は、臨床変数と組み合わせて、免疫療法開始後の12ヶ月死亡率を予測するモデルの開発に使用されました。
7つの機械学習アルゴリズムと13の特徴量選択方法が評価され、ICLコホートの訓練で最適な予測モデルが同定されました。K-meansクラスタリングにより、患者は高リスク群と低リスク群に分類されました。モデルの性能は、AP-HPコホートで独立して検証されました。主要エンドポイントには、全生存期間（OS）、無増悪生存期間（PFS）、免疫チェックポイント阻害剤への反応率が含まれました。
主要な知見
統合された放射omic-臨床モデルは、従来の臨床バイオマーカーを著しく上回りました。訓練ICLコホートでは、モデルは受信者操作特性曲線下面積（AUC）が0.89（95% CI 0.75–0.99）を達成しました。これは、BCLCステージの0.61とALBIグレードの0.48（両方ともp < 0.001）を上回ります。AP-HPコホートでの検証では、AUCが0.75（95% CI 0.64–0.85）で堅牢な予測能力が確認されました。
モデルによって分類された高リスク群は、両コホートにおいて低リスク群と比較して有意に短い中央OSを示しました（ICL: 5.6対28.2ヶ月、AP-HP: 5.8対15.7ヶ月、p < 0.001）。同様に、高リスク患者では無増悪生存期間が短かったです（ICL: 2.4対14.6ヶ月、p < 0.001；AP-HP: 2.1対6.1ヶ月、p = 0.046）。さらに、低リスク患者は高リスク患者よりも有意に高い免疫チェックポイント阻害剤への反応率を示しました（35.6% 対 21.4%；p = 0.038）。
多変量コックス回帰分析では、放射omicリスク群が全生存期間（HR [ハザード比] 3.22、95% CI 1.99–5.20、p < 0.001）と無増悪生存期間（HR 1.82、95% CI 1.18–2.80、p = 0.010）の最も強い独立予測因子であることが判明し、従来の臨床指標を超える予後価値を示しました。
専門家コメント
本研究は、放射omicと機械学習を統合して、免疫療法後の患者予後を正確に予測するという重要な未充足ニーズに対処することで、HCCの精密腫瘍学に大きな進歩をもたらします。深層学習を使用した自動的な肝臓セグメンテーションは、放射omic抽出を標準化し、ユーザー依存性を最小限に抑え、モデルの再現性を向上させます。多施設での検証により、研究結果の汎用性が強化されます。
ただし、後ろ向きデザインは潜在的なバイアスを導入し、サンプルサイズは妥当ですが、臨床有用性を確実に確立するには大規模な前向き研究が必要です。また、将来の研究では、放射omicと並行してゲノミックや血液ベースのバイオマーカーを統合することで、予測をさらに洗練することを目指すことができます。これらの制約にもかかわらず、本アプローチは、ルーチン臨床画像データを活用して、進行期HCCにおけるリスク分類を改善し、治療の個別化を促進する方法を示しています。
現在のガイドラインでは、放射omicバイオマーカーはまだ組み込まれていません。これは、これらの手法の新規性と技術的要件によるものです。しかし、本研究の結果は、今後のガイドライン更新の触媒となる可能性があります。メカニズム的には、放射omic特徴量は、免疫療法への反応性に関連する腫瘍の異質性、血管特性、免疫微小環境を捉えていると考えられます。
結論
治療前のCT画像と臨床変数を組み合わせた機械学習ベースの放射omicモデルは、切除不能なHCC患者におけるアテゾリズマブとベバシズマブ治療の生存率と免疫療法反応を予測する上で、従来の臨床バイオマーカーを上回ります。これらの予測ツールは、異なる予後グループに患者を堅牢に分類し、精密治療アプローチを可能にし、患者の予後を改善する可能性があります。前向き検証と多モーダルバイオマーカーの統合は、進行期肝細胞がんにおける個別化医療を推進する重要な次のステップです。
参考文献
Vithayathil M, Koku D, Campani C, Nault JC, Sutter O, Ganne-Carrié N, Aboagye EO, Sharma R. Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunotherapy for hepatocellular carcinoma. J Hepatol. 2025 Oct;83(4):959-970. doi: 10.1016/j.jhep.2025.04.017. Epub 2025 Apr 17. PMID: 40246150.