研究者らは自らの発見を Breast Cancer Research 誌に発表した。
乳房のMCs（マイクロカルシフィケーション）に関連する診断情報は、それ自体の石灰化沈着物にあるのだろうか、それともそれを取り囲む組織にあるのだろうか。 Vrije Universiteit Brussel (VUB)-imec および UZ Brussels の研究者らは、高解像度の3DマイクロCT（micro-CT）画像を用いてこの問いに取り組んだ。
周囲の組織環境の生物学的な重要性は、組織学や他の研究からすでに知られている。今回の進展は、micrometerスケールの3D X線画像において、分類性能への寄与を石灰化核の寄与と分離・比較することである。研究者の知る限り、初めての試みとして位置付けられる。
乳房のMCsは、マンモグラフィーおよびデジタルブレストトモシンセシスにおいて確立された放射線学的所見である。その形態と分布は、疑わしい乳腺病変を評価し、さらなる診断調査が必要かどうかを判断するうえで重要な役割を果たす。
伝統的な画像評価は主にMC自体に焦点を当て、しばしばそれらがクラスター内で示す特徴を検討してきた。高解像度の3D X線画像で、石灰化核を取り囲む直近の組織環境からどれだけの診断情報を独立して得られるのか、石灰化核自体を越えてどれだけの情報が得られるのかは長らく不明のままであった。従来の乳腺画像診断では、ミクロン級の構造を調べるための空間分解能を得られない。生体外（ex vivo）マイクロCT画像は、それらを3Dで研究する機会を提供する。
この問いに答えるべく、研究者らは約8 μmの空間分解能を持つ高解像度のマイクロCTを用いて94件のパラフィン封入乳房生検ブロックを分析した。彼らは3504個の個別MCをセグメント化し、放射線画像の定量的な測定値――いわゆる radiomic 特徴量――を抽出して、対応する乳腺病変が病理組織学的に良性か悪性かを予測する機械学習分類器を訓練した。
従来の解像度でのMCクラスターに基づくアプローチとは異なり、本研究ではミクロンスケールで個々のMCを対象として調査した。研究者らは、前処理とセグメンテーションの影響を制御しつつ、石灰化核の寄与と直近の周囲組織の寄与を識別するため、3つの補完的分析を実施した。これには、 segmentation mask を一定に保ちながら画像前処理ウィンドウを変化させること、MCマスクを体系的に拡大・収縮させること、そして石灰化核の内側と外側の同心シェルからのみ特徴を抽出することが含まれる。特に最後の分析は重要だった。石灰化核を除外し、周囲の組織のみを分析することで、石灰化沈着自体を欠いた診断情報がどれだけ残るかを直接検証できた。
結果は、MCの周囲組織からの情報を取り入れると分類性能が大幅に向上することを示した。石灰化マスクを変えずに前処理ウィンドウを拡大した場合、受信者動作特性曲線の下位面積（AUC）は0.688から0.811へ改善した。同様に、隣接組織を含むように segmentation マスクを適度に拡張すると、AUCは約0.689から0.813へ向上した。
特に顕著だったのは、同心的な組織シェルからのみ抽出した特徴で訓練された分類器が約0.81のAUCを維持し、石灰化核と周囲の微小環境の両方を組み込んだモデルと同等の性能を示したことである。これらの発見は、MC周囲の組織がこの実験設定で識別情報の支配的な情報源であることを示している。結果は、前処理ウィンドウのサイズが、セグメンテーションマスクを変更せずにいても、放射線画像から抽出される特徴とその後の分類性能に大きく影響するという重要な方法論的考慮点を浮かび上がらせる。
この結果は、鉱物化沈着物だけに焦点を当てた定量的画像診断アプローチでは、診断情報を見落とす可能性があることを示唆している。石灰化核のすぐ外側の周囲組織へと視点を少しずらすことで、基礎となる病理について追加情報を得ることができる。周囲組織という「即時の組織微小環境」を特に有益な領域として特定することにより、MCと隣接する乳腺組織の界面を明示的に特徴づける放射線画像バイオマーカーの開発を正当化する根拠が提供されている。
本研究は、生体外マイクロCT画像を用いた乳腺生検標本の基礎研究の一部である。このアプローチは、従来の臨床的な乳腺画像診断では達成できない空間分解能で、個々のMCとその直近の組織周囲を詳しく調べることを可能にする。したがって、臨床的な乳腺画像診断で同じ構造を現在解像できるとか、同等の分類性能を達成できることを意味するものではない。代わりに、診断イメージング情報の空間的起源に関する新たな洞察を提供し、定量的な乳房画像診断の将来の研究を導く可能性がある。
今後の研究は、これらの発見を独立に検証し、どの組織構造や細胞種が診断信号に寄与しているのかを、詳細な組織学的分析を通じて調査する必要がある。これにより、画像所見の生物学的基盤を説明し、臨床応用が可能な画像バイオマーカーの開発に資する可能性がある。
この研究は、医用画像解析、人工知能、放射線学および病理学の専門知識を、VUBの電子工学・情報学科（ETRO）- imec、VUBの実験病理学研究室、およびUZ Brusselsの病理学・放射線科の各部門が結集して行ったものである。
出典: Vrije Universiteit Brussel
