脳腫瘍の微細構造を解読するGLAMフレームワーク：統計物理学が拓く診断の未来

July 22, 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: Physics-Informed Multiscale Decoding of Tissue Microstructure: The Gray Level Affinity Metrics (GLAM) Framework
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年7月22日時点）

腫瘍の複雑な微細構造は、画像診断における大きな課題です。従来の画像テクスチャ解析では捉えきれなかった多階層的な情報が、治療効果や予後予測に影響を与える可能性が指摘されています。本記事では、統計物理学の概念を医療画像解析に応用し、腫瘍の空間組織化をマルチスケールで解読する「GLAMフレームワーク」という画期的なアプローチを紹介します。この新しい手法が、高悪性度グリオーマの予後予測において、どのように精密医療を推進するのかを探ります。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のMRIデータから高次元な特徴を抽出し、高速処理が可能。
Ethical倫理面	既存の非侵襲的画像データを利用するため、倫理的懸念は低い。
Interesting面白さ	統計物理学を医療画像解析に応用し、腫瘍微細構造を解読する新規性。
Novel新規性	従来の放射線診断学とは異なる、物理学に基づいたマルチスケールなテクスチャ記述子。
Relevant切実さ	悪性脳腫瘍の予後予測精度を向上させ、個別化された治療戦略に貢献。
Measurable測定可能性	Radial Distribution Functionsを用いて空間的組織化を定量的に評価可能。
Modifiable派生・改善	異なる画像モダリティや臨床的文脈に合わせて特徴選択を調整可能。
Structured文章構造	統計力学、熱力学、幾何学に基づく多角的な特徴量生成フレームワーク。
PICO / PECO対象・介入・比較・結果	対象者: 高悪性度グリオーマ対象者; 介入: GLAMフレームワークによる放射線画像特徴量解析; 比較: 従来の放射線診断学; 結果: 予後予測精度の向上と治療反応性の層別化。

はじめに：腫瘍の複雑性を画像から読み解く

どうも、Beyond the Pixelです。医療画像は、診断から治療効果の評価まで、様々な科学分野で不可欠なツールとなっています。特に、いわゆる「ラジオミクス」は、画像から定量的な特徴を高スループットで抽出し、臨床的意思決定に役立てることを目指す分野です。腫瘍の形状、画像強度、そしてテクスチャ（質感）を表すこれらの特徴は、予後予測、治療反応性、さらにはがんの遺伝子特性の予測において有望な結果を示しています。しかし、従来のラジオミクスがGray Level Co-occurrence Matrix (GLCM)などの局所的な共起統計量に依存しているため、テクスチャの複雑さの一部しか捉えられていないという課題がありました。これらの局所的な相関は、平滑化やノイズ除去といった画像処理の影響を受けやすく、生物学的に重要な空間パターンを見落とす可能性も指摘されています。このため、複数の空間スケールにわたる腫瘍の不均一性を一貫して評価するための手法には、依然として大きなギャップが存在していました。今回ご紹介する論文「Physics-Informed Multiscale Decoding of Tissue Microstructure: The Gray Level Affinity Metrics (GLAM) Framework」では、この課題を解決するため、統計力学の厳密な枠組みからインスピレーションを得た、新しい物理学に基づいたテクスチャ記述子のファミリー「Gray Level Affinity Metrics (GLAM)」を提案しています。

GLAMの核心：統計物理学による画像ボクセルの相互作用解析

GLAMフレームワークの独自性は、従来のラジオミクスが局所的な共起統計に依存するのとは異なり、画像内のボクセルを「相互作用する粒子」として扱う点にあります。このアプローチは、微視的な相互作用がどのように巨視的な構造を生み出すかを理解するための厳密な枠組みを提供する統計力学から着想を得ています。GLAMは、Radial Distribution Functions (RDFs)を利用して、連続的な長さのスケールにわたる空間的な組織化を特徴づけます。これにより、巨視的な腫瘍構造の物理学に基づいた構造的アナロジー（類推物）が得られます。Radial Distribution Function (RDF)とは、特定のグレイレベルのボクセルから距離rだけ離れた場所に、別のグレイレベルのボクセルが見つかる相対的な確率を定量化するものです。gαβ(r)の値が1より大きい場合は正の空間相関（類似強度のクラスター形成）、1より小さい場合は負の相関（空間的分離）、1に等しい場合は相関がない（ランダムな空間配置）ことを示します。

**Figure 2.** Fig. 2 Radial Distribution Functions (RDFs) derived from four co-registered MRI sequences of a patient with glioblastoma, with the segmented tumor volume shown in red. From top to bottom: pre-contrast T1-weighted (T1), post-contrast T1-weighted (T1c), T2-weighted (T2), and fluid-attenuated inversion recovery (FLAIR).解説: 高悪性度グリオーマ対象者の4つのMRIシーケンス（T1強調、造影後T1強調、T2強調、FLAIR）から導出されたRadial Distribution Functions (RDFs)を示します。各プロットは、放射状距離rの関数としてRDFを表示しており、色の付いた各線は、特定のグレイレベルペア間の相関に対応するRDF gαβを表しています。

は、高悪性度グリオーマ対象者の4つのMRIシーケンス（T1強調、造影後T1強調、T2強調、FLAIR）から抽出された代表的なRDFプロファイルを示しています。これらの曲線は、異なるグレイレベルの組み合わせに対して異なる親和性パターンを示しており、短期的なピークから長距離の減衰まで、その挙動には顕著な違いが見られます。腫瘍固有のRDFは、最大の秩序を持つ「高温参照状態」や、ROIの幾何学的形状による境界効果を補正する「幾何学的可用性因子」と比較することで、より精確な物理的特性を導き出します。これにより、GLAMは、従来のラジオミクスでは捉えきれなかった空間的な不均一性、長距離相関、構造的複雑性を定量化します。

GLAMの多様な特徴量クラスとその応用

GLAMフレームワークは、統計力学、熱力学、幾何学の9つのクラスにわたる豊富な特徴量を提供します。これにより、従来のラジオミクスが網羅できない複雑な組織構造を捉えることが可能になります。GLAMの出力は、各グレイレベル間の相互作用を記述する2次元のN×N行列として表現されます。例えば、RDF形状統計量では、RDF曲線のピーク位置、ピーク高さ、中央値、分散、歪度、尖度といった主要な統計的特性を抽出し、GLCMに類似した行列を生成します。

**Figure 3.** Fig. 3 Gray Level Affinity Metrics matrices derived from four co- registered MRI sequences of a patient with glioblastoma show- ing the segmented tumor volume (red contour). From left to right: pre-contrast T1-weighted (T1), post-contrast T1-weighted (T1c), T2-weighted (T2), and fluid-attenuated inversion recovery (FLAIR).解説: 高悪性度グリオーマ対象者の4つのMRIシーケンスから導出されたGray Level Affinity Metrics (GLAM)行列を示します。各行列は、ログRDF分散、構造圧力指数、異方性、フラクタル次元、重心距離といったGLAM派生特性が、異なるグレイレベルペア間でどのように相互作用するかを可視化しています。軸は24の離散化されたグレイレベル（0～23）に対応します。

は、高悪性度グリオーマ対象者のMRIスキャンから計算されたGLAM行列の例を示しています。LogRDF_VarianceやStructuralPressureIndex_Symlogなどの物理的指標は、腫瘍の内部熱力学的な状態をマッピングし、局所的な無秩序と圧力の異なるレベルを表す空間勾配とクラスター化を明確に示しています。さらに、異方性行列は生物学的構造の好ましい配向を強調し、フラクタル次元や重心距離行列は高度に組織化されたマルチスケールのパターンを示します。これらの行列はシーケンス間で顕著な違いを示し、GLAMフレームワークが単にピクセル強度を要約するのではなく、腫瘍の根底にあるトポロジーと構造的結合性をモデル化していることを示しています。GLAMは、計算効率を確保するために空間インデックス構造（KD-tree）を用いた隣接探索の最適化を行い、O(k・N log(N))の計算量を実現しています。GLAMは、親和性パターンを定量的なバイオマーカーに変換するための標準化された特徴量抽出パイプラインを提供しており、これには一次統計量、二次テクスチャ、高度な位相・グラフ理論的指標の3つのカテゴリが含まれます。これにより、画像全体の親和性分布のグローバルな特性から、親和性ランドスケープの構造的な不均一性、さらには相互作用ネットワークの複雑性までを詳細に解析することができます。

GLAMフレームワークの多施設共同研究による検証

この研究では、GLAMフレームワークの性能と堅牢性を評価するため、3つの高悪性度グリオーマ（HGG）MRIデータセット（ペンシルベニア大学医療システム[UPENN-GBM]、カリフォルニア大学サンフランシスコ校[UCSF-PDGM]の公開コホート、および研究チーム所属の医療施設のローカルコホート）が活用されました。合計1241名の対象者のデータが含まれ、高悪性度（WHOグレード3および4）の腫瘍に厳密に焦点を当てています。

**Table 1.** Table 1 Demographic and clinical characteristics of the study cohorts including the multicenter training datasets (UPENN-GBM and UCSF- PDGM) and our independent local validation cohort解説: 多施設トレーニングデータセット（UPENN-GBM、UCSF-PDGM）と独立したローカル検証コホートを含む、研究コホートの人口統計学的および臨床的特性の概要です。診断期間、対象者数、性別、年齢、IDHプロモーター状態、MGMTプロモーター状態、切除範囲、生存状態、全生存期間（日数）に関する情報が含まれています。

は、これら3つのデータセットの対象者の人口統計学的および臨床的特性を示しています。すべてのデータセットは、機関審査委員会の承認のもとで収集され、対象者のプライバシーに配慮した形で匿名化されています。前処理として、MRIスキャンは一貫性を保つためのパイプラインを経て、スカルストリップ（頭蓋骨除去）、アトラス空間への位置合わせ、ボクセル間隔の再サンプリング、そして強度調和化が行われました。GLAM特徴量と、比較対象として用いられた従来のラジオミクス特徴量（PyRadiomicsライブラリを使用）は、両者とも24の固定ビン・グレイレベルを使用して抽出されました。多施設データにおけるバッチ効果を軽減するため、NeuroCombat法によるハーモナイゼーションが、対象者の生存時間や臨床転帰から完全に盲検化された状態で実施されました。さらに、データリークを防ぐため、解析パイプラインは3つのフェーズに分けられ、特に予測モデリングと堅牢性検証は、厳格なLeave-One-Center-Out (LOCO) 交差検証フレームワーク内で実行されました。

GLAM特徴量空間の複雑性と情報密度

次元解析の結果、従来のラジオミクスとGLAMフレームワークの間には、明確な分散構造の違いが示されました。従来のラジオミクスは、テストされたすべてのグループの中で最も高い圧縮率（約13:1）を示しました。これは、抽出された多数の特徴量が比較的少数の独立した信号に集約されることを意味し、情報冗長性が高いことを示唆しています。対照的に、ほとんどのGLAMクラスはより低い圧縮率（通常5:1から10:1）を示し、これはGLAM特徴量が、標準的なテクスチャ指標よりも多くのユニークで独立した情報を特徴量あたりに保持し、より豊かな本質的な次元性を持つことを示唆しています。

分子サブグループ別の予後予測特徴量の発見

本研究の4段階の生存解析により、GLAM特徴量の予後予測における有用性が、特定の分子サブグループ内で評価されると大幅に向上することが明らかになりました。

**Table 2.** Table 2 Distribution of prognostic radiomic features across high- grade glioma molecular subgroups in the combined three-center cohort. The table summarizes the number and proportion of signifi- cant conventional radiomics and GLAM features identified across four clinical subgroups and standard MRI sequences解説: 統合された3施設コホートにおける高悪性度グリオーマの分子サブグループ全体での予後予測ラジオミクス特徴量の分布を示します。表は、4つの臨床サブグループおよび標準MRIシーケンス全体で同定された、有意な従来型ラジオミクスおよびGLAM特徴量の数と割合を要約しています。

は、高悪性度グリオーマの分子サブグループ全体における、有意な予後予測ラジオミクス特徴量の分布をまとめたものです。汎グリオーマ解析（サブグループ1）では、25の特徴量が独立した予後予測因子として同定され、その大半（64%）は従来のラジオミクスでした。しかし、定義された分子サブグループ内では、GLAMフレームワークが最も多くの有意な予後予測バイオマーカーを提供しました。特に、IDH野生型コホート（サブグループ2）では、有意な指標の82%（261中213）がGLAM特徴量でした。この優位性は、治療応答性の高いMGMTプロモーターメチル化群（サブグループ3）では87%（179中156）、高悪性度のMGMTプロモーター非メチル化群（サブグループ4）では80%（71中57）と、さらに顕著でした。この結果は、分子的に異なる腫瘍を統合して解析すると、重要なラジオミクス信号が希釈され、応答者向けの精密バイオマーカーを発見するためには、サブグループに特化したアプローチが必要であることを強調しています。

**Figure 5.** Fig. 5 Univariate Kaplan–Meier survival analysis of top subgroup- specific GLAM features. The plots demonstrate the targeted prognos- tic efficacy of distinct feature groups across varying levels of cohort restriction (shaded regions represent 95% confidence intervals). The universal baseline feature, T2_GLAM.PotentialEnergy_Symlog.First- Order.InterquartileRange (Subgroup 1), effectively stratifies survival across the broader glioma cohort. As cohort specificity increases, unique structural dependencies emerge: T1c_GLAM.Multifractal-**解説:** 特定の分子サブグループにおけるGLAM特徴量の単変量Kaplan-Meier生存解析の結果を示します。Aは独立した予後予測因子、BはIDH野生型、CはMGMTプロモーターメチル化、DはMGMTプロモーター非メチル化コホートにおける、トップGLAM特徴量による生存率の層別化を示しています。網掛け部分は95%信頼区間を表します。

は、各サブグループ内で最も優れた性能を示したGLAM特徴量の単変量Kaplan-Meier生存曲線を示しています。例えば、T2_GLAM.PotentialEnergy_Symlog.FirstOrder.InterquartileRangeは、コホート全体の生存率を効果的に層別化し（ログランクP = 0.001）、T1c_GLAM.CoordNum_Ln.FirstOrder.UniformityはMGMTプロモーターメチル化集団内で、T1c_GLAM.LogRDF_PeakHeight.FirstOrder.UniformityはMGMTプロモーター非メチル化集団内で、それぞれ堅牢なリスク層別化を提供しました。

コンセンサスに基づくリスク層別化と汎用性分析

厳格なLeave-One-Center-Out (LOCO) 交差検証フレームワークによるモデル評価の結果、従来のラジオミクスとGLAMフレームワークの間で異なる性能特性が明らかになりました。

**Table 3.** Table 3 Strict Leave-One-Center-Out (LOCO) validation and con- sensus risk stratification. Test C-indices represent the mean across the three institutional hold-out folds (minimum–maximum), evaluating within-center ranking accuracy. Pooled global C-index represents the absolute cross-institutional ranking accuracy when all patient hold- out folds are evaluated simultaneously. Mean test IBS represents the Integrated Brier Score $\pm$ standard deviation across folds (lower is解説: 厳格なLeave-One-Center-Out (LOCO) 検証とコンセンサスリスク層別化の結果を示します。テストC-Indexは3つの独立したホールドアウトフォールド全体での平均（最小-最大）を示し、Pooled Global C-Indexはすべての対象ホールドアウトフォールドが同時に評価された場合の絶対的なクロス機関ランキング精度を表します。

は、LOCO検証とコンセンサスリスク層別化の結果を示しています。より広範なIDH野生型コホート（サブグループ2）では、3つのモデルすべてが同等の施設内ランキング精度（平均テストC-Index = 0.628）を達成しました。しかし、施設間の真の汎用性を評価するためにクロス機関予測をプールした場合、従来のモデルの精度は低下しましたが、GLAMと従来のラジオミクスを組み合わせた複合モデルが最高のグローバルランキング精度（Pooled Global C-Index = 0.529）を維持しました。MGMTプロモーターメチル化コホート（サブグループ3）では、従来のフレームワークは3つのホールドアウトフォールドすべてで生き残る単一のコンセンサス特徴量を生成できませんでした。対照的に、スタンドアロンGLAMモデルが最適なフレームワークとして浮上し、最高の局所ランキング精度（平均テストC-Index = 0.646）と、[0.632-0.664]という狭い性能範囲を維持し、最も高いクロス機関安定性（Pooled Global C-Index = 0.630）を達成しました。これにより、低リスク層と高リスク層の間で668日間の統計的に有意な生存期間の差が生まれました（P < 0.001）。攻撃的で治療抵抗性のMGMTプロモーター非メチル化コホート（サブグループ4）では、従来のラジオミクスフレームワークが非常に堅牢な構造的ベースライン（平均テストC-Index = 0.648）を提供し、スタンドアロンGLAMを大きく上回りました。この場合、複合フレームワークはこれらの異なる特徴量プールをうまく統合し、テストC-Index 0.643（範囲[0.618-0.685]）を達成しました。また、この複合モデルは、この表現型で絶対的に最も狭いクロス機関の広がり（Δ 0.067）を達成し、安定性も優れていました。

**Figure 6.** Fig. 6 Consensus Kaplan–Meier survival curves for subgroup-tai- lored risk stratification. The grid illustrates the prognostic perfor- mance and clinical risk stratification achieved across 2000 Random Survival Forest validation iterations, with shaded regions represent- ing the 95% confidence intervals. The columns compare the predic- tive models built using Conventional Radiomics, GLAM Radiomics,**解説:** サブグループに合わせたリスク層別化のためのコンセンサスKaplan-Meier生存曲線を示します。グリッドは、IDH野生型、MGMTメチル化、MGMT非メチル化の各コホートにおいて、従来型ラジオミクス、GLAMラジオミクス、および複合モデルによる予後リスク層別化（低リスク、中リスク、高リスク）を視覚的に示しています。

は、サブグループに合わせたリスク層別化のためのコンセンサスKaplan-Meier生存曲線を示しており、各分子サブグループにおける各モデルのリスク層別化能力を視覚的に示しています。これらの結果は、多スケールGLAM特徴量への強力なアルゴリズム的嗜好を示しつつ、特定の表現型における従来のラジオミクスの必要性も同時に裏付けています。

まとめと今後の展望

GLAMフレームワークは、統計物理学の原則を医療画像解析に応用することで、腫瘍微細構造のマルチスケールな特性を解読する革新的なアプローチを提供します。従来のラジオミクスが捉えきれなかった、より高い情報密度と低い冗長性を持つ特徴量を抽出できることが示され、高悪性度グリオーマの分子サブグループ特異的な予後予測において、GLAMが重要なバイオマーカーを提供できる可能性が強調されました。特に、治療反応性の高いMGMTプロモーターメチル化表現型ではGLAM単独モデルが、高悪性度のMGMTプロモーター非メチル化表現型ではGLAMと従来のラジオミクスを組み合わせた複合モデルが、統計的に有意なリスク層別化と高いクロス機関安定性を示すことが明らかになりました。この研究は、従来のラジオミクスが短距離の局所的な強度変動を捉える一方で、GLAMフレームワークが統計物理学のアナロジーを用いて全体的なマルチスケール構造を特徴づけるという、重要な生物学的相乗効果を浮き彫りにしています。両者が連携することで、多様な分子コホートにおいて精密な予後予測とドメイン耐性を最大化することができます。今後の研究では、GLAMフレームワークをさらに多くの腫瘍タイプや疾患に応用し、その汎用性と臨床的有用性を検証することが期待されます。また、GLAM特徴量と他のオミクスデータ（ゲノミクス、プロテオミクスなど）との統合により、腫瘍生物学のより深い理解と、個別化された治療戦略のさらなる発展に貢献する可能性を秘めていると言えるでしょう。

用語集

ラジオミクス: 医療画像から定量的特徴（形、強度、質感など）を高スループットで抽出し、臨床情報と関連付けて分析する学問分野。
GLAM (Gray Level Affinity Metrics): 統計物理学から着想を得た、物理学に基づいた新しい画像テクスチャ記述子のフレームワーク。画像ボクセルを相互作用する粒子として扱い、空間組織を解析する。
ボクセル: 3次元画像における最小単位。2次元画像のピクセルに相当する。
Radial Distribution Function (RDF): あるグレイレベルのボクセルから特定の距離に、別のグレイレベルのボクセルが見つかる統計的な確率を示す関数。
MGMTプロモーターメチル化: 脳腫瘍（グリオーマなど）の治療反応性や予後に関連する遺伝子（MGMT）の発現を制御する領域の化学修飾。メチル化されていると特定の化学療法が効きやすい傾向がある。
C-Index (Concordance Index): 生存モデルの予測性能を評価する指標で、予測された生存期間と実際の生存期間の一致度を示す。1に近いほど予測精度が高い。
Kaplan-Meier曲線: 特定の疾患を持つ対象者集団の生存率を経時的に示す統計学的曲線。集団間の生存率の比較に用いられる。
Leave-One-Center-Out (LOCO) 交差検証: 多施設共同研究において、1つの施設をテストデータセットとして完全に分離し、残りの施設でモデルを訓練する検証手法。モデルの施設間汎用性を厳しく評価できる。