肝実質温存肝切除術の計画精度を高める：3つのモデルアプローチの比較研究

10月 14, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Resection zone prediction for parenchyma-sparing hepatectomy planning: a comparative study of three modeling paradigms
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年10月14日時点）

肝臓がんの治療では、腫瘍を完全に除去しつつ、正常な肝臓組織を最大限に温存することが重要です。この「肝実質温存肝切除術」は、対象者の術後の生活の質を大きく左右します。しかし、この複雑な手術を計画するには、腫瘍の位置、血管の走行、肝臓の血流といった多くの情報を正確に把握し、精密な切除範囲を予測する必要があります。本記事では、この課題に取り組むために開発された3つの異なるモデリングアプローチ（幾何学的距離ベース、灌流ベース、深層学習ベース）を比較した最先端の研究について、医療画像インフォマティクスの専門家として、分かりやすく解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の医療画像データとセグメンテーションマスクを利用し、3つの計算モデルを構築・比較したため、実現可能性が高い。
Ethical倫理面	倫理委員会の承認を得て、倫理基準およびヘルシンキ宣言の原則に従って研究が実施された。
Interesting面白さ	肝実質温存肝切除術の計画における切除範囲予測について、幾何学的、灌流ベース、深層学習の3つの異なるアプローチを比較分析し、その強みと限界を明らかにした点で興味深い。
Novel新規性	明示的な灌流を考慮したモデリングパラダイムを深層学習および幾何学的アプローチと比較した点で新規性がある。
Relevant切実さ	原発性肝がんに対する肝実質温存手術の計画精度向上に貢献し、個々の対象者の手術戦略決定に有用な情報を提供する点で関連性が高い。
Measurable測定可能性	Dice類似度係数、IoU、95パーセンタイルハウスドルフ距離など、複数の定量的なオーバーラップおよび距離ベースの指標を用いてモデル性能を評価した。
Modifiable派生・改善	各モデルは対象者固有の要因や手術戦略に合わせて調整可能なパラメータ（例：切除マージン）を持ち、将来的なハイブリッド戦略の基盤を提供する。
Structured文章構造	目的、方法、結果、考察、結論が明確に記述された構造化された研究デザインである。
PICO / PECO対象・介入・比較・結果	P: 原発性肝がんの対象者。 I: 幾何学的、灌流ベース、深層学習モデルによる切除範囲予測。 C: 3つの異なるモデル間の比較。 O: 切除範囲予測の精度向上と臨床的有用性、実質温存の可能性。

はじめに：肝臓がん手術における精密計画の重要性

どうも、Beyond the Pixelです。肝臓がんは世界的に見てがん関連死の主要な原因の一つであり、その治療において手術による切除は重要な選択肢です。特に、可能な限り多くの健康な肝組織を残しつつ、腫瘍を取り除く「肝実質温存肝切除術」は、対象者の術後の肝機能を維持し、合併症を減らす上で非常に重要です。この手術の成功は、腫瘍の位置、肝臓への血流（灌流）、胆汁の流れなどを考慮した、極めて正確な術前計画にかかっています。本記事では、原発性肝がんの肝実質温存手術計画において、切除範囲予測の精度を向上させるための3つの異なるモデリングアプローチを比較した最新の研究についてご紹介します。

研究の目的：切除範囲予測における情報複雑性の影響

この研究の目的は、原発性肝がんに対する肝実質温存手術計画において、解剖学的および機能的情報の複雑性が切除範囲の予測にどのように影響するかを明らかにすることでした。精度の高い切除範囲予測は、腫瘍学的なマージン（がん細胞が残らない安全な切除ライン）を確保しつつ、機能的な肝組織を最大限に温存するために不可欠です。

比較された3つのモデリング手法

この研究では、切除範囲を予測するために、以下の3つの異なるモデリングアプローチが比較されました。これらの手法はすべて、肝臓、腫瘍、血管のセグメンテーション（医療画像から特定の領域を識別して切り出すプロセス）から得られた表現に基づいて機能します。

**Figure 1.** Fig. 1 Three modeling paradigms and their predicted resection zones. a A primary tumor within the liver and major vessels, b the distance-based prediction, c the perfusion-based prediction accounting for a transected vessel, and d the DL-based model解説: この図は、肝臓（濃い茶色）、腫瘍（赤）、主要な血管（紫）を示す(a)と、それに対する3つの異なるモデル（距離ベースモデル(b)、灌流ベースモデル(c)、深層学習モデル(d)）が予測した切除範囲（緑色の境界線で示される領域）を比較して示しています。

1. 幾何学的距離ベースモデル

このモデルは、肝臓の境界と腫瘍の位置のみを利用し、非解剖学的な、表面近くの腫瘍切除（例えば、非定型楔状切除）を対象としています。まず、ユークリッド距離変換（2点間の直線距離を計算する手法）を用いて、腫瘍から肝臓表面までの最小距離を求めます。次に、腫瘍マスクを平均約8mmのマージン（安全な切除幅）で均等に拡大し、最終的に腫瘍から最も近い肝臓表面まで伸びる円筒形の切除範囲を予測します。このアプローチは、最大限に肝実質を温存することを目指しています。

**Figure 3.** Fig. 3 Visualization of the distance-based model: a input masks for liver and tumor with the direction vector, and b the predicted resection zone extending from the tumor to the nearest liver surface解説: この図は、距離ベースモデルの視覚化を示しています。(a)には肝臓と腫瘍の入力マスクと、腫瘍から最も近い肝臓表面への方向ベクトルが示されており、(b)にはその方向ベクトルに沿って腫瘍から最も近い肝臓表面まで伸びる予測された切除範囲が示されています。

2. 灌流ベースモデル

このモデルは、血管が切断された場合に生じる下流の灌流損失（血流の供給が失われること）を考慮して切除範囲を予測します。肝臓、腫瘍、血管構造が組み込まれます。腫瘍は幾何学的距離ベースモデルと同様に8mmのマージンで拡大され、初期の切除範囲を定義します。その後、門脈と肝静脈の木の有向グラフ（方向性を持つ線で結ばれた点群の構造）を使用して、灌流損失の可能性が評価されます。最終的に、各肝臓のボクセル（3Dピクセル）は、最も近い灌流されている血管または灌流されていない血管に割り当てられ、機能的な残肝部分と予測される切除範囲が決定されます。このモデルは、肝臓の灌流を明示的に切除計画に組み込みます。

**Figure 4.** Fig. 4 Perfusion-aware resection algorithm: a input masks for liver, tumor, vessels, and reference zone; b graph-based vessel perfusion classiﬁcation with non-perfused vessels in red and perfused vessels in black; and c the predicted resection zone解説: この図は、灌流を考慮した切除アルゴリズムを示しています。(a)には肝臓、腫瘍、血管、参照領域の入力マスクがあり、(b)にはグラフベースの血管灌流分類が表示され、灌流されていない血管が赤色、灌流されている血管が黒色で示されています。そして(c)には予測された切除範囲が示されています。

3. 深層学習（DL）モデル

このモデルは、切除範囲の予測を体積セグメンテーションタスクとして捉え、U-Netアーキテクチャに基づいています。U-Netは、医療画像処理において高い性能を示す深層学習モデルの一つです。入力として、肝臓マスク、腫瘍マスク、門脈と肝静脈の結合マスクの3つのチャネルを使用し、切除範囲をターゲットとして学習します。このモデルは、データから直接切除範囲を学習することで、微妙な解剖学的変化や暗黙的な手術の意思決定パターンを考慮することができます。

**Figure 5.** Fig. 5 Example predictions for a representative patient using the three models. The tumor (yellow), predicted zone (red), ground truth (green), portal vein (purple), and hepatic vein (blue) are shown. Case- speciﬁc DSC values are reported. a Ground truth. b Distance-based解説: この図は、代表的な対象者における3つのモデルによる予測例を示しています。黄色が腫瘍、赤が予測された切除範囲、緑が実際の切除範囲、紫が門脈、青が肝静脈を表しています。(a)は実際の切除範囲、(b)は距離ベースモデルの予測、(c)は灌流ベースモデルの予測、(d)は深層学習モデルの予測です。

研究方法：データと評価指標

研究には、University Medical Center Mainzのデータベースから、原発性肝がんで肝臓腫瘍切除を受けた104人の対象者のデータが使用されました。これらのデータは、半自動で生成されたセグメンテーションマスク（STLファイル）として提供され、残肝機能（FLR）、腫瘍、門脈、肝静脈、下大静脈、そして後方視的に定義された切除範囲が含まれていました。モデルの性能評価には、以下の2種類の指標が用いられました。

オーバーラップベースの指標

予測された切除範囲と実際の切除範囲がどれだけ一致しているかを示す指標です。Dice類似度係数（DSC）とIntersection over Union（IoU）が使用され、数値が高いほど一致度が高いことを示します。

**Table 1.** Table 1 Quantitative comparison of Dice similarity coefﬁcient (DSC) and intersection over union (IoU) between predicted and ground-truth resection zones, reported as mean ± standard deviation (median)**解説:** この表は、予測された切除範囲と実際の切除範囲との間のDice類似度係数（DSC）とIntersection over Union（IoU）の定量的比較を、平均±標準偏差（中央値）で示しています。最高の性能を発揮した項目は太字で強調されています。

距離ベースの指標

予測された切除範囲の境界が実際の切除範囲の境界からどれだけ離れているかを示す指標です。95パーセンタイルハウスドルフ距離（HD95）、最大ハウスドルフ距離（HDmax）、平均表面距離（ASD）が使用され、数値が低いほど境界の精度が高いことを示します。

**Table 2.** Table 2 Quantitative comparison of the 95th percentile Hausdorff distance (HD95), the maximum Hausdorff distance (HDmax), and the average surface distance (ASD) between predicted and ground-truth resection zones, reported as mean ± standard deviation (median)**解説:** この表は、予測された切除範囲と実際の切除範囲との間の95パーセンタイルハウスドルフ距離（HD95）、最大ハウスドルフ距離（HDmax）、および平均表面距離（ASD）の定量的比較を、平均±標準偏差（中央値）で示しています。最高の性能を発揮した項目は太字で強調されています。

研究結果：各モデルの強みと限界

3つのモデルを比較した結果、どのモデルも他の2つを普遍的に上回るものではないことが示されました。それぞれのモデルが異なる強みと限界を持っていました。

幾何学的距離ベースモデルの性能

このモデルは、表面からのずれ（HD95 33.89 mm）は限定的でしたが、過小セグメンテーション（切除範囲を小さく見積もること）のためにオーバーラップ率（DSC 58.18 %）は低くなりました。小さな距離エラーは示しますが、全体的なボリュームの一致は低いです。最大限の肝実質温存を目的とした切除に適しています。（表1）（表2）

灌流ベースモデルの性能

オーバーラップ率（DSC 67.41 %）と境界精度（HD95 37.92 mm）の間で良好なバランスを示しました。しかし、厳格な二値灌流仮定（血流があるかないかを0か1で判断すること）のため、予測領域を過大に見積もる傾向がありました。血管の近くにある腫瘍で、灌流損失の可能性がある場合に有利です。（表1）（表2）

深層学習モデルの性能

最も高いオーバーラップ精度（DSC 76.31 %）を達成しましたが、距離エラー（HD95 65.21 mm）は大きくなりました。これは、局所的な境界の不正確さを反映しています。特に、大きな切除ボリュームにおいて強力な予測性能を示します。（表1）（表2）

腫瘍の深さ、ボリューム比、手術タイプとの相関

腫瘍の深さ（腫瘍の中心から最も近い肝臓表面までの距離）とモデル性能（DSC、HD95）の関係を分析したところ、すべてのモデルでDSCとの有意な相関が認められ、深い位置にある腫瘍ほどオーバーラップが改善する傾向がありました。ただし、灌流ベースモデルおよび深層学習モデルではこの相関はより弱かったと報告されています。HD95との有意な相関は観察されませんでした。

**Table 3.** Table 3 Results of Pearson correlation analyses between tumor depth or Ratio VT /VRZ and resection zone prediction performance解説: この表は、腫瘍の深さまたは腫瘍体積と切除範囲体積の比率（Ratio VT/VRZ）と切除範囲予測性能の間のピアソン相関分析の結果を示しています。統計的に有意なp値（α = 0.05未満）は太字で強調されています。

**Figure 6.** Fig. 6 Correlation analyses between tumor depth and model performance, using DSC (red) and HD95 (blue), with a gray linear regression line indicating trends解説: この図は、腫瘍の深さ（Tumor Depth）とモデルの性能（DSCおよびHD95）の間の相関分析を示しています。赤い点がDSC、青い点がHD95のデータポイントを表し、灰色の線は線形回帰のトレンドを示しています。各サブプロットは、(a)距離ベースモデル、(b)灌流ベースモデル、(c)深層学習モデルの性能を示します。

腫瘍ボリュームと切除範囲ボリュームの比率（VT/VRZ）

VT/VRZ比率が高いほど、すべてのモデルでパフォーマンスが向上する傾向が見られました（灌流ベースモデルのHD95を除く）。これは、腫瘍体積に対して切除体積が相対的に大きい場合に、より良い予測が得られることを示唆しています。（表3）

**Figure 7.** Fig. 7 Correlation analyses between the tumor size (VT ) to resection zone volume (VRZ) ratio and model performance, using DSC (red) and HD95 (blue), with a gray linear regression line indicating trends解説: この図は、腫瘍体積（VT）と切除範囲体積（VRZ）の比率（Ratio VT/VRZ）とモデル性能（DSCおよびHD95）の間の相関分析を示しています。赤い点がDSC、青い点がHD95のデータポイントを表し、灰色の線は線形回帰のトレンドを示しています。各サブプロットは、(a)距離ベースモデル、(b)灌流ベースモデル、(c)深層学習モデルの性能を示します。

手術タイプによるサブグループ分析

解剖学的区域切除と非定型楔状切除を比較した結果、非定型切除は一般的に予測がより困難であることが示されました。メディアンDSC値は、非定型切除において一貫して低いオーバーラップ性能を示しました。これは、非定型切除が個々によりカスタマイズされる性質を持つため、アルゴリズムによる再現が難しいことを浮き彫りにしています。

**Table 4.** Table 4 Results of Mann–Whitney U tests comparing resection zone prediction performance between different resection types (SEGMENTS and ATYPICAL)**解説:** この表は、異なる切除タイプ（区域切除と非定型切除）間の切除範囲予測性能を比較したマン・ホイットニーU検定の結果を示しています。統計的に有意なp値（α = 0.05未満）は太字で強調されています。

**Figure 8.** Fig. 8 The boxplots show subgroup analyses for different procedures: anatomical segment resections (red) and atypical wedge resections (blue), with individual cases shown as black points解説: このボックスプロットは、異なる手術手順（解剖学的区域切除: 赤色のボックス、非定型楔状切除: 青色のボックス）のサブグループ分析を示しています。黒い点は個々のケースを表しており、DSCとHD95の性能を各モデル（a)距離ベースモデル、(b)灌流ベースモデル、(c)深層学習モデル）で比較しています。

考察と今後の展望

この研究は、肝実質温存肝切除術の計画における3つの異なるモデルの比較を通じて、それぞれの特性と臨床的応用可能性を明らかにしました。深層学習モデルは予測性能が高い一方で、幾何学的モデルや灌流ベースモデルは、その動作の解釈可能性や臨床的な制御のしやすさにおいて優位性があります。例えば、幾何学的距離ベースモデルは、最大の肝実質温存を目指す切除に、灌流ベースモデルは、血管近くの腫瘍で灌流損失の可能性がある場合に特に有用です。これらのモデルは、個別の切除提案を提供したり、ハイブリッドなフレームワークとして組み合わせたりすることで、対象者の肝機能、腫瘍の生物学的特性、人口統計学的要因に基づいた、専門家による切除範囲の調整をサポートするツールとして機能することが期待されます。今後は、灌流を考慮した手法と距離ベースの手法を深層学習と統合することで、予測をさらに洗練させる研究が進められるでしょう。また、臨床への適用可能性を高めるため、セグメントベースの標準的な肝切除術の予測も合わせて行うことが今後の課題とされています。

まとめ

肝実質温存肝切除術計画のための切除範囲予測において、幾何学的、灌流ベース、深層学習の3つのモデリングパラダイムを比較した本研究は、どの単一アプローチも普遍的に最適ではないことを示しました。深層学習は、特に大きな切除ボリュームにおいて最も強力な予測性能を発揮し、幾何学的および灌流ベースのモデルは、より高い解釈可能性と臨床的制御可能性という補完的な利点を提供します。これらのアプローチは、専門家の判断と対象者固有の要因に基づいてさらに洗練される、情報に基づいた初期切除提案を生成するためのモジュール式ビルディングブロックとして活用されるべきです。

用語集

肝実質温存肝切除術: がん組織を切除しつつ、正常な肝臓組織をできる限り多く残す手術方法。
腫瘍学的マージン: がんの再発を防ぐために、腫瘍の周囲に設けられる安全な切除範囲。
セグメンテーション: 医療画像から特定の臓器や病変などの領域を識別し、分離する処理。
Dice類似度係数 (DSC): 予測された領域と実際の領域の重なり具合を評価する指標で、0から100%の値を取り、高いほど一致度が高い。
Intersection over Union (IoU): 予測された領域と実際の領域の重なりを、両方の領域の合計で割った指標。DSCと同様に、高いほど一致度が高い。
95パーセンタイルハウスドルフ距離 (HD95): 予測された領域の境界と実際の領域の境界の間の距離を測る指標で、95パーセンタイル値を使用することで外れ値の影響を少なくする。値が小さいほど境界の精度が高い。
最大ハウスドルフ距離 (HDmax): 予測された領域の境界と実際の領域の境界の間の最大の距離。値が小さいほど境界の精度が高い。
平均表面距離 (ASD): 予測された領域の境界と実際の領域の境界の間の平均的な距離。値が小さいほど境界の精度が高い。
U-Net: 医療画像のセグメンテーションに広く用いられる深層学習のニューラルネットワークアーキテクチャ。
nnU-Net: U-Netに基づき、様々な医療画像セグメンテーションタスクに対して自己設定可能な深層学習フレームワーク。
ユークリッド距離変換: 画像中の各点から最も近い特定のオブジェクトまでの直線距離を計算する画像処理手法。
灌流損失: 血管が切断されるなどにより、組織への血流供給が失われること。
深層学習 (DL): 多層のニューラルネットワークを用いてデータから特徴を自動的に学習する機械学習の一分野。
マン・ホイットニーU検定: 2つの独立したグループ間で中央値に統計的に有意な差があるかを評価するノンパラメトリック検定。
ピアソン相関係数: 2つの変数間の線形関係の強さと方向を示す統計的尺度。-1から1の範囲で、1に近いほど強い正の相関、-1に近いほど強い負の相関を示す。
残肝機能 (FLR): 肝臓の一部を切除した後に残る肝臓の機能的なボリューム。
肝細胞癌 (HCC): 肝臓に発生する原発性肝がんの最も一般的なタイプ。
肝内胆管癌 (ICC): 肝臓内の胆管に発生する稀なタイプのがん。