化学療法関連脂肪性肝炎（CASH）を非侵襲的に検出する仮想肝生検の可能性：CT画像とAIを活用

11月 9, 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: Virtual liver biopsy for detecting steatohepatitis in chemotherapy-treated patients: comparison with whole-liver radiomics and external validation
European Radiology｜被引用数: 0（2026年11月9日時点）

結腸直腸がん肝転移の治療における化学療法の進歩は目覚ましいものがありますが、それに伴う肝損傷、特に化学療法関連脂肪性肝炎（CASH）は術後の合併症リスクを高める重要な要因です。現在、CASHの確定診断には侵襲的な肝生検が必要とされますが、この研究では、CT画像から得られる放射線診断学的特徴と肝臓の体積測定を組み合わせた「仮想肝生検」という新しい非侵襲的アプローチが、CASHの診断において優れた性能を示すことが明らかになりました。この技術は、術前のリスク評価と個別化された治療計画に革新をもたらす可能性を秘めています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のCT画像と放射線診断学を用いるため、侵襲的な生検と比較して対象者への負担が少なく、実用化の可能性が高いです。
Ethical倫理面	本研究は既存の匿名化データセットを使用し、地域の倫理委員会の承認を得て実施され、倫理的配慮がなされています。
Interesting面白さ	化学療法関連脂肪性肝炎の非侵襲的診断は未解決の課題であり、仮想肝生検という新しいアプローチは大きな関心を集めます。
Novel新規性	標準化された仮想肝生検と肝容量測定を組み合わせた放射線診断学モデルは、新しい非侵襲的CASH予測手法として提示されています。
Relevant切実さ	CASHは術後の肝不全リスクを高めるため、非侵襲的かつ高精度な診断は、高リスクの外科的対象者特定と手術計画の改善に貢献します。
Measurable測定可能性	モデルの性能はAUC、精度、感度、特異度で客観的に評価され、外部検証により測定可能性が示されています。
Modifiable派生・改善	仮想肝生検は標準化されたサンプリング戦略であり、将来的に他の肝損傷の評価や治療効果のモニタリングに応用可能です。
Structured文章構造	研究は、トレーニング、内部検証、外部検証の3段階で構造化され、頑健な統計解析と機械学習モデルが採用されています。
PICO / PECO対象・介入・比較・結果	結腸直腸がん肝転移の化学療法を受けた対象者に対し、仮想肝生検による放射線診断学と肝容量測定は、CASHの非侵襲的かつ正確な予測を可能とします。

はじめに：肝臓手術における隠れたリスク、CASHへの新たな診断アプローチ

どうも、Beyond the Pixelです。結腸直腸がんの肝転移は、がん対象者さんにとって深刻な問題であり、手術と周術期化学療法が治療の要となります。しかし、化学療法は肝臓に損傷を与える可能性があり、特に化学療法関連脂肪性肝炎（Chemotherapy-associated steatohepatitis, CASH）は、術後の肝不全や死亡リスクを高めることが知られています。現在、CASHの非侵襲的な診断方法は十分ではなく、肝生検がゴールデンスタンダードとされていますが、これは侵襲的であり、病変の不均一な分布により診断が難しい場合もあります。このような背景から、医療画像から定量的な特徴を抽出する放射線診断学（Radiomics）が注目されています。本研究は、CT画像を用いた「仮想肝生検」がCASHの検出においてどれほど有効であるかを評価し、肝全体を用いた放射線診断学的解析と比較するとともに、その精度を外部データで検証することを目的としています。

研究デザインと方法：CT画像からの情報抽出と機械学習モデルの開発

この後ろ向き研究では、結腸直腸がん肝転移に対する肝切除術を受けた対象者2シリーズのデータが分析されました。1つは公開されている「Colorectal-Liver-Metastases」データセット（トレーニングおよび内部検証用）、もう1つはHumanitas Research Hospitalからの単施設シリーズ（外部検証用）です。術前化学療法を2ヶ月以上受け、CTスライス厚が5mm以下の術後CTスキャンがあった対象者が対象とされました。

**Figure 2.** Fig. 2 Study ﬂowchart. Patient selection process into internal and external validation cohorts解説: 研究のフローチャート。内部検証コホートおよび外部検証コホートへの対象者の選択プロセスが示されている。

研究のフローチャートは、内部および外部検証コホートへの対象者の選択プロセスを示しています。放射線診断学的特徴は、肝全体の実質と「仮想生検」（非腫瘍性肝実質の2mL円筒形領域を手動でセグメンテーションしたもの）から抽出されました。推定肝容量（eLV）は、3つの直交する直径を用いて計算されました。肝臓におけるセグメンテーション戦略の模式図を

**Figure 1.** Fig. 1 Schematic representation of the segmentation strategy on CT images. A Axial image showing the four volumes of interest (VOIs): (I) VB (violet), deﬁned as a manually segmented cylinder (basis 10 mm, height 25 mm); (II) tumor-VOI (light green), corresponding to the entire tumor volume; (III) margin-VOI (dark green), an automatically generated 5-mm peritumoral ring; and (IV) liver-VOI (pink), obtained by excluding tumor-VOI and margin- VOI from the whole liver segmentation. B Corresponding 3D rendering illustrating their spatial relationship解説: CT画像におけるセグメンテーション戦略の模式図。Aは、仮想生検（VB、紫）、腫瘍VOI（薄緑）、マージンVOI（濃緑）、肝VOI（ピンク）の4つの関心領域（VOI）を示す軸画像。Bは、それらの空間的関係を示す3Dレンダリング。

で示します。4つのXGBoostモデルが開発されました。Clinicalモデル（臨床データのみ）、ViBモデル（臨床データと仮想生検の放射線診断学的特徴）、ViBE+モデル（臨床データ、仮想生検の放射線診断学的特徴、eLV）、そしてWholeLiverモデル（臨床データと肝全体の放射線診断学的特徴）です。モデルの最適化と特徴選択には、様々な手法が用いられました。肝臓直径測定と仮想生検配置における評価者間再現性は、優れた結果を示しました。

結果：仮想肝生検と肝容量の組み合わせがCASH予測に優れる

合計180名の対象者が含まれ、内部コホートに105名、外部コホートに75名が分類されました。CASHの有病率は内部コホートで38%、外部コホートで19%でした。

**Table 1.** Table 1 Baseline clinical and imaging characteristics of patients in the internal and external cohorts, stratiﬁed by CASH status解説: 内部コホートおよび外部コホートにおける対象者のベースライン臨床および画像特性をCASHの状態別に層別化して示している。

この表は、内部コホートおよび外部コホートにおける対象者のベースライン臨床および画像特性をCASHの状態別に層別化して示しています。CASHは両コホートでBMIと肝容量に関連していました。内部テストセットにおいて、ClinicalモデルのAUCは0.713でした。放射線診断学的特徴を追加することで、すべてのモデルで予測性能が向上しました。ViBモデルのAUCは0.724でしたが、eLVを含むViBE+モデルはより良い性能（AUC=0.831）を示しました。ViBE+モデルの性能はWholeLiverモデル（AUC=0.857）に匹敵し、統計的に有意な差はありませんでした。

**Table 2.** Table 2 Performance metrics of the different models in the internal (training and validation) and external cohorts解説: 異なるモデルの内部（トレーニングと検証）および外部コホートにおける性能指標（AUC、精度、感度、特異度）をまとめた表。

この表は、異なるモデルの内部（トレーニングと検証）および外部コホートにおける性能指標を示しています。モデルの性能比較をAUCで示した棒グラフは

**Figure 3.** Fig. 3 Model performance comparison. Bar plots comparing training and validation performance by AUC across models解説: モデル性能の比較。AUCによるトレーニングと検証の性能を比較する棒グラフ。

で確認できます。また、ROC曲線分析は

**Figure 4.** Fig. 4 ROC curve analysis. A Training and (B) internal validation ROC curves across models解説: ROC曲線分析。Aはトレーニング、Bは内部検証における各モデルのROC曲線を示している。

で、トレーニングおよび内部検証における各モデルのROC曲線を示しています。外部検証では、ViBE+モデルがAUC=0.745、精度0.680を達成しました。SHAP分析は、WholeLiverモデルとViBE+モデルの両方で、肝容量がCASHの主要な予測因子であることを確認しました。

**Figure 5.** Fig. 5 SHAP summary plots for the ten most signiﬁcant variables. Model interpretability plots for (A) the WholeLiver model and (B) the ViBE+ model. Each point represents an individual patient, with feature values color-coded and their impact on the model output shown along the x-axis. Liver volume consistently emerged among the main predictors of CASH in both models (original_shape_MeshVolume in A and eLV in B)**解説:** SHAPサマリープロット。最も重要な10変数のモデル解釈性プロットで、WholeLiverモデル（A）とViBE+モデル（B）について示されている。肝容量は両モデルにおいてCASHの主要な予測因子として一貫して示されている。

SHAPサマリープロットは、最も重要な10変数のモデル解釈性プロットで、肝容量が両モデルにおいて主要な予測因子として一貫して示されたことを示しています。eLVに関するSHAP依存プロット（

**Figure 6.** Fig. 6 SHAP dependence plot for the feature eLV in relation to CASH prediction. A threshold effect is observed: liver volumes below 1700 cm3 have minimal impact on the model prediction, with volumes above this threshold associated with a steep increase in SHAP values解説: CASH予測に関連するeLV特徴のSHAP依存プロット。閾値効果が観察され、肝容量が約1700 cm³を超えるとSHAP値が急増することが示されている。

）は、eLVが高いほどCASH予測確率が高まるという正の関連を示しました。

考察：非侵襲的診断としての仮想肝生検の臨床的意義

本研究は、標準化された仮想肝生検の放射線診断学的解析をeLVと組み合わせることで、CASHを非侵襲的に予測できることを実証しました。このアプローチは、内部コホートで肝全体を用いた放射線診断学モデルに匹敵する優れた性能（AUC > 0.83）を達成し、独立した外部検証コホートでもその性能が維持されました（AUC = 0.745）。非侵襲的なCASH評価は喫緊の課題であり、従来の画像診断では困難でした。肝生検は依然としてゴールデンスタンダードですが、侵襲的であり、サンプリングの限界があります。放射線診断学は、肝腫瘍や非腫瘍性肝実質の特性評価に有望なツールとして浮上しており、本研究はCASH予測におけるその有効性を示しました。特に、肝容量（eLV）がSHAP分析で主要な予測因子として浮上したことは、CASHと肝腫大の既知の関連性を裏付けるものです。仮想肝生検の最大の利点は、その使いやすさにあります。少量のROIを迅速に、最小限の手動入力で描出できるため、肝全体解析よりも臨床ワークフローに適した、再現性の高い計算効率の良い代替手段となります。これらの結果は、術前リスク層別化や個別化された手術計画の改善を通じて、CASHの非侵襲的診断に大きな臨床的影響を与える可能性を秘めています。

研究の限界と今後の展望

本研究にはいくつかの限界があります。まず、後ろ向き研究デザインとサンプルサイズは、結果の一般化可能性を制限する可能性がありますが、外部検証での性能維持は堅牢性を示唆しています。次に、外部検証における決定曲線分析（DCA）の純利益は控えめでしたが、これは転帰イベント数の少なさを反映している可能性があり、他の評価指標に基づくモデル性能の全体的な肯定的評価を損なうものではありません。また、内部公開データセットで利用可能な臨床変数が限られており、化学療法レジメンや期間に関する情報が不完全であったため、Clinicalモデルの性能を過小評価した可能性があります。最後に、この分析はCASHに特化しており、他の脂肪性肝炎の病因への適用可能性は今後の課題です。今後は、多施設共同前向き検証によって、本アプローチが肝臓病学における新たな画像バイオマーカーとしての役割を確立し、広範な肝損傷への適用可能性を探ることが不可欠です。

結論

結論として、仮想肝生検はCASHを評価するための革新的な非侵襲的ツールであり、有望な性能を示しました。推定肝容量と組み合わせることで、臨床データに基づく予測を上回り、肝全体を用いた放射線診断学的解析に匹敵する性能を達成し、かつ臨床ワークフローにおいてより実現可能であると期待されます。その臨床的応用には、さらなる前向き検証が不可欠です。

用語集

化学療法関連脂肪性肝炎（CASH）: 化学療法後に肝臓に生じる脂肪の蓄積と炎症。
放射線診断学（Radiomics）: CTやMRIなどの医療画像から、肉眼では捉えられない定量的な特徴を抽出し、病態解析に用いる手法。
仮想肝生検（Virtual Biopsy）: CT画像上で肝実質の特定の小領域（2mLの円筒形）を抽出し、そこから放射線診断学的特徴を分析する非侵襲的サンプリング戦略。
推定肝容量（eLV）: 肝臓の3つの直交する直径から計算される推定肝臓の体積。
XGBoost: 決定木をベースとした勾配ブースティングアルゴリズムの一種で、予測精度が高い機械学習モデル。
AUC（Area Under the Curve）: 受信者操作特性（ROC）曲線の下の面積で、分類モデルの性能を示す指標。値が高いほど性能が良い。
SHAP分析（Shapley Additive Explanations）: 機械学習モデルの予測に対して、個々の特徴量がどれだけ貢献したかを説明するための手法。
ゴールデンスタンダード: ある診断や治療法において、最も信頼性が高く、標準とされている手法や基準。
CT: X線を用いて身体の内部を断層撮影する医療画像診断装置。Computerized Tomography（コンピュータ断層撮影）の略。