MRgFUSの精密な治療計画へ：頭蓋骨密度比を超えた熱応答予測モデル

9月 16, 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: From Skull Density Ratio‐based eligibility to efficiency‐informed planning: Predictive modeling of thermal response in MR‐guided focused ultrasound
Medical Physics｜被引用数: 0（2026年9月16日時点）

MRガイド下集束超音波治療（MRgFUS）は、脳深部の疾患に対する非侵襲的な治療法として注目されています。しかし、頭蓋骨が超音波を減衰させるため、治療の効率は頭蓋骨の特性に大きく左右されます。従来、治療適格性を判断する主要な指標は頭蓋骨密度比（SDR）でしたが、この指標だけでは不十分であることが課題でした。本記事では、この課題を解決し、より効果的で個別化された治療を可能にする新たな予測モデルに関する研究を紹介します。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存のCT画像とMRgFUSデータを用いる遡及的研究であり、実施が現実的です。
Ethical倫理面	倫理委員会承認済みで、対象者から書面による同意を得て実施されています。
Interesting面白さ	SDRの限界を克服し、治療計画と実施を改善する新しい予測モデルを提案しています。
Novel新規性	SDR単独では不十分であるという知見をさらに深め、多変量モデルで治療効率と温度予測を大幅に改善しています。
Relevant切実さ	MRgFUS治療の安全性と有効性を高め、より多くの対象者への適用可能性を広げる上で非常に重要です。
Measurable測定可能性	熱効率、ピーク温度、各種頭蓋骨指標が定量的に測定され、モデル性能もMAEやR2で評価されています。
Modifiable派生・改善	提案された予測モデルは、治療の事前スクリーニング基準やリアルタイムでのエネルギー調整に応用可能です。
Structured文章構造	目的、方法、結果、考察が明確に記述された構造化抄録を持つオープンアクセス論文です。
PICO / PECO対象・介入・比較・結果	対象者(P): MRgFUS治療対象者。介入(I): 多変量頭蓋骨指標を用いた予測モデルの導入。比較(C): 従来のSDRベース。結果(O): 治療効率のより正確な予測、個別化された治療計画。

MRgFUS：非侵襲的治療の可能性と課題

どうも、Beyond the Pixelです。MRガイド下集束超音波治療（MRgFUS）は、切開せずに脳深部の病変を熱で焼灼できる画期的な技術であり、機能的神経外科分野において確立された治療法となっています。特に、本態性振戦やパーキンソン病といった疾患に対する治療で注目されています。しかし、この治療の効率は、頭蓋骨を通過する際に超音波が減衰することに大きく影響されます。従来、治療の適格性を判断する主要なパラメーターは、頭蓋骨密度比（SDR）でした。これは、頭蓋骨の皮質骨と海綿骨の密度の比率を示す指標です。しかし、SDRは頭蓋骨に関連する熱応答の変動を部分的にしか説明できず、治療中のエネルギー調整に対するガイダンスも限られていました。SDRが低い場合（0.4未満）は超音波の減衰が大きく、効率が低いとされますが、SDRが低いケースでも治療可能な場合があり、また中程度のSDRでも効率が予想外に低いケースも存在します。このため、SDRのみに頼るのでは不十分であるという課題がありました。本研究の著者らは、SDRを超える頭蓋骨関連の熱効率決定因子を包括的に特性評価し、治療効率とソニケーションごとのピーク温度を予測する多変量モデルを開発することを目的としました。これにより、対象者のスクリーニングと治療中の意思決定を支援することを目指しています。

頭蓋骨特性と治療効率の包括的分析

この研究では、2015年7月から2024年1月にかけて実施された316件のMRgFUS熱焼灼治療（視床切開術214件、視床下核切開術102件）が遡及的に分析されました。頭蓋骨の指標は、治療前に取得されたCT画像から算出されました。これには、従来のSDRに加えて、頭蓋骨厚（ST）、双板間層厚（DT）、入射角（AOI）、および高次の分布記述子が含まれます。熱効率は、複数の温度とエネルギーに基づく評価指標を用いて定量化されました。

**Figure 1.** FIGURE 1 Skull parameters and their implications in energy-temperature relationships. (a) Schematic representation of skull metrics, including skull density ratio (SDR), skull thickness (ST), and diploe thickness (DT) derived from CT images. The angle of incidence (AOI) is illustrated as the angle between the beam trajectory and the normal vector to the skull isosurface. (b) Pairwise correlation matrix between skull average metrics, showing Pearson correlation coefﬁcients and signiﬁcance levels. (c) Scatter plots showing individual sonications, where skull metrics (SDR, ST, DT, AOI) are plotted against delivered energy, with peak average temperature achieved represented in color (gray to yellow). (d) Error-bar plots depicting the relationship between skull metrics and delivered energy. Sonications are now grouped into three thermal ranges: [<50◦C] (light gray), [50–55◦C] (dark gray), and > 55◦C (black). Average values and standard deviations are shown.解説: 頭蓋骨パラメータとエネルギー-温度関係への影響を示しています。(a) CT画像から導出された頭蓋骨密度比（SDR）、頭蓋骨厚（ST）、双板間層厚（DT）などの頭蓋骨指標の模式図。(b) 頭蓋骨平均指標間のピアソン相関係数と有意水準を示す相関行列。(c) 個々のソニケーションについて、頭蓋骨指標（SDR、ST、DT、AOI）と投入エネルギーの関係をプロットし、到達した最高平均温度を色で示しています。(d) 頭蓋骨指標と投入エネルギーの関係を示すエラーバープロットで、ソニケーションを3つの温度範囲にグループ分けしています。

また、この研究では、治療効率（55°Cにおける温度対エネルギー比「TER55」）を予測するための多変量線形回帰モデルと、ソニケーションごとのピーク温度を予測するための勾配ブースティングモデルという2つの予測モデルが開発されました。これらのモデルは、独立した検証用テストセット（全手順の20%）でそれぞれ検証されました。対象者の年齢は視床切開術群で平均69.5歳、視床下核切開術群で平均62.0歳でした。全ての治療対象者はSDRが0.3以上でしたが、これは著者らの施設における治療の最低閾値です。

**Table 1.** TABLE 1 Treatment summary for Vim-FUS and STN-FUS groups.解説: Vim-FUS群とSTN-FUS群の治療概要を示しています。頭蓋骨面積、活性要素数、ソニケーション回数、50°Cおよび55°Cを超える治療ソニケーション回数、平均出力、平均持続時間、平均/最大エネルギー、蓄積エネルギー、およびソニケーション全体の最高平均温度などのパラメータが含まれています。グループ間の比較は、対応するP値とともにt検定を用いて行われました。

結果として、STN-FUS群ではVim-FUS群と比較して、より広い頭蓋骨領域と少ない数のアクティブな要素が見られました。また、STN-FUS群は全体的にソニケーション回数が多く、平均出力、平均エネルギー、最大エネルギー、蓄積エネルギーが高く、最高平均ピーク温度もわずかに高いという特徴がありました。これは、ターゲットによって治療の特性が異なることを示唆しています。

**Table 2.** TABLE 2 Thermal efﬁciency metrics.解説: 熱効率指標を示しています。これらの指標は、特定の温度閾値に到達するためのエネルギー供給の効率を要約しています。すべての対象者、Vim-FUS群、およびSTN-FUS群に分けて平均（標準偏差）で報告されています。グループ間の差異は、2標本t検定を用いて評価されました。

SDRだけでは不十分：複合的な頭蓋骨特性の重要性

分析の結果、SDR、ST、およびDTは熱効率と有意に関連していることが示されました。特に、SDR/DTのような複合的な指標は、SDR単独よりも優れた性能を発揮しました。著者らは、頭蓋骨由来の指標に基づく5つの特徴を持つ多変量線形回帰モデルを開発し、TER55の予測において調整済みR2が0.63（交差検証R2 = 0.61、MAE = 0.54°C/kJ）という高い精度を達成しました。このモデルは、独立したテストセットでも一貫した汎化性能（R2 = 0.58、MAE = 0.53°C/kJ）を示しました。

**Figure 3.** FIGURE 3 Temperature-energy relationships and skull-related predictors of thermal efﬁciency. (a) Inter-subject correlation matrix between efﬁciency estimators and treatment summary metrics, including maximum temperature (Tmax), maximum energy (Emax), average and accumulated energy (Eavg, Eaccu), total number of sonications (NoS), and the number of sonications exceeding 50◦C and 55◦C. Colors indicate Pearson correlation coefﬁcients (blue: positive; red: negative), with statistical signiﬁcance denoted as *P < 0.05 and **P < 0.01. (b) Correlation matrix of skull-derived metrics and their statistical estimators (mean, standard deviation, skewness, and kurtosis) for SDR, ST, DT, AOI, and the ratios SDR/ST and SDR/DT. (c) Scatterplots of SDR against E55 (left) and TER55 (right). Solid line: linear regression ﬁt. Shaded rectangles indicate the 5th–95th percentile range within consecutive SDR bins (width = 0.10), illustrating the inter-patient variability that persists across the SDR spectrum. (d) Bar plots showing the coefﬁcient of determination (R2) from univariate linear regressions between TER55 and individual skull parameters for the full cohort, Vim-FUS, and STN-FUS groups, respectively. Variables are ranked by decreasing explanatory power within each group. (e) Comparison of R2 values for each skull parameter between the Vim-FUS and STN-FUS groups. The dashed diagonal indicates equal explanatory power across targets, highlighting parameters with group-speciﬁc relevance. (f) Forward feature selection results for multivariable modeling of TER55, showing the evolution of adjusted R2 (left axis) and AIC (right axis) as skull-derived predictors are sequentially added. The vertical dotted line indicates the optimal model (5 features, adjusted R2 = 0.63), beyond which additional variables do not improve the AIC criterion. Variables beyond the optimal set are shown in red. (g) Scatter plot of observed versus predicted TER55 from 5-fold cross-validation (N = 178 procedures). Each point represents an out-of-fold prediction. The dashed diagonal indicates perfect agreement (identity y = x). Cross-validated R2 = 0.61, MAE = 0.54◦C/kJ.解説: 温度-エネルギー関係と熱効率の頭蓋骨関連予測因子を示しています。(a) 効率推定器と治療サマリー指標間の対象者内相関行列。(b) SDR、ST、DT、AOI、およびSDR/STとSDR/DTの比率の頭蓋骨由来指標とその統計推定器（平均、標準偏差、歪度、尖度）の相関行列。(c) SDRとE55（左）およびTER55（右）の散布図。(d) TER55と個々の頭蓋骨パラメータ間の単変量線形回帰による決定係数（R2）の棒グラフ。(e) Vim-FUSとSTN-FUSグループ間での各頭蓋骨パラメータのR2値の比較。(f) TER55の多変量モデリングにおける前方特徴選択の結果、調整済みR2とAICの推移。(g) 5分割交差検証からの観測値と予測値のTER55の散布図。

このことは、MRgFUSにおける熱効率がSDR単独では十分に特性評価できないことを明確に示しています。多変量効率モデルは、5つの頭蓋骨記述子（SDR/DT平均、DT歪度、活性要素数、AOI平均、SDR/ST歪度）を統合することで、SDRベースのスクリーニングを大幅に上回り、治療の実現可能性をより情報豊富かつ連続的に表現することが可能になります。これにより、治療前の段階で必要なエネルギー量をより正確に推定できるようになります。SDRの平均値が低い場合でも、熱効率には大きなばらつきが見られ、SDR単独では排他的な基準を設定するには不十分であることが示唆されました。この研究では、STN-FUS群がVim-FUS群と比較して、複数の主要な熱効率指標（TER55、TER60、TES、TERmax）で一貫して低い値を示しました。これは、STN-FUSの方が同等の温度上昇を達成するためにより大きな音響エネルギーが必要であることを示しており、ターゲット部位によって治療効率が異なる「ターゲット依存性」があることを裏付けています。

ソニケーションごとの温度予測：治療中の意思決定を支援

次に、著者らはソニケーションごとのピーク温度予測のための勾配ブースティングモデルを開発しました。このモデルは、ソニケーションパラメーター、頭蓋骨指標、および累積的な治療履歴を統合しています。この予測モデルは、トレーニングセットで交差検証MAEが1.70°C、完全に保留された手順レベルのテストセットで1.91°Cを達成しました。この性能は、臨床的に支配的な温度範囲（60°C未満）で安定していました。

**Figure 4.** FIGURE 4 Nonlinear dependencies between acoustic delivery parameters and thermal efﬁciency. (a) Peak average temperature as a function of delivered acoustic energy, illustrating a saturating relationship in which temperature increments progressively diminish at higher energy levels. Line color encodes skull density ratio (SDR). (b) Thermal efﬁciency, deﬁned as temperature increase per unit energy, plotted against applied acoustic power. Higher powers are associated with reduced efﬁciency, indicating non-proportional heat deposition. (c) Relationship between accumulated acoustic energy and thermal efﬁciency, showing a monotonic decrease in efﬁciency with increasing cumulative energy, potentially reﬂecting time-dependent skull or tissue effects. (d) Thermal efﬁciency as a function of thermal dose (log10CEM43), highlighting reduced efﬁciency at higher doses, which suggest additional non-linear and tissue-related contributions to heating dynamics.解説: 音響エネルギー供給パラメータと熱効率間の非線形な依存関係を示しています。(a) 投入された音響エネルギーに対するピーク平均温度の関数であり、高エネルギーレベルで温度上昇が徐々に減少する飽和関係を示しています。(b) 投入された音響出力に対する熱効率（単位エネルギーあたりの温度上昇として定義）のプロットで、高出力は効率の低下と関連しています。(c) 累積音響エネルギーと熱効率の関係で、累積エネルギーの増加に伴い効率が単調に減少することを示しています。(d) 熱量（log10CEM43）に対する熱効率の関数で、高熱量での効率低下を強調しています。

ただし、60°C以上の高温度域では予測精度が低下しました。これは、データが不均衡であることや、極端な温度での体系的な過小評価を反映しています。高温度域でのソニケーションの割合が低い（3.3%）ことが、予測精度の低下に影響していると考えられます。最適な特徴セット（15変数：音響出力、エネルギー、持続時間、CEM43累計、Eacc累計、活性要素数、SDR平均、DT平均、ST平均、AOI平均、SDR/DT平均、およびDTとSDR/ST分布の高次統計量）を用いたモデルは、全体のテストMAEが1.91°Cであり、60.2%のソニケーションが±2°Cの誤差範囲内に収まりました。

**Figure 5.** FIGURE 5 Multivariate modeling of peak temperature prediction. (a) Distribution of individual sonications in the power-duration-energy space, color-coded by the achieved peak average temperature. (b) Bivariate two-dimensional density estimates of the same physical relationships, highlighting the most frequent regions of the parameter space. (c) Evolution of the mean absolute error (MAE) as a function of the feature set; the dashed line indicates the baseline reference, and feature sets with the best accuracy-complexity trade-off are highlighted in red. (d) Scatter plots showing the relationship between true and predicted peak average temperature for the different models: minimal feature set, minimal set with oversampling, optimal feature set, and optimal set with oversampling; the dashed line represents identity (y = x). (e) Prediction error density distributions (True—Predicted) for each model, shown by temperature range, and overall, the gray shaded area denotes the ± 2◦C error interval.解説: ピーク温度予測の多変量モデリングを示しています。(a) 出力-持続時間-エネルギー空間における個々のソニケーションの分布を、達成されたピーク平均温度で色分けしています。(b) 同じ物理的関係の二変量二次元密度推定値で、パラメータ空間の最も頻繁な領域を強調しています。(c) 特徴セットの関数としての平均絶対誤差（MAE）の推移で、最適なモデルが示されています。(d) さまざまなモデル（最小特徴セット、オーバーサンプリング付き最小セット、最適特徴セット、オーバーサンプリング付き最適セット）の真のピーク平均温度と予測ピーク平均温度の関係を示す散布図。(e) 各モデルの温度範囲別および全体的な予測誤差密度分布（実測値－予測値）。

最小の特徴セットを用いたモデルでも、全体のテストMAEは2.22°Cでした。

**Table 3.** TABLE 3 Held-out test set performance for peak temperature prediction (inclusion criteria: Logistic ﬁt R2 ≥0.75, ﬁtting MAE ≤7.5◦C).解説: ピーク温度予測におけるホールドアウトテストセットの性能を示しています。最小モデルと最適モデルにおける異なる温度範囲での平均絶対誤差（MAE）が報告されています。結果は、特徴セット、トレーニングモード、および温度範囲によって層別化されています。

このモデルは、治療パラメーターと累積的な熱履歴と組み合わせることで、ソニケーションごとの正確な温度予測を可能にし、効率に基づいたエネルギー調整と動的な治療ガイダンスを支援します。これは、MRgFUSをより精密で個別化された治療へと進化させる上で重要な一歩となります。

より精密な治療へ：個別化医療の推進

この研究は、MRgFUS治療における熱効率はSDR単独では十分に特徴付けられないことを大規模なデータセットで裏付けました。多変量頭蓋骨記述子を統合した効率モデルは、SDRベースのスクリーニングを大幅に上回り、治療の実現可能性をより詳細かつ連続的に表現し、治療前の段階で必要なエネルギー量を推定することを可能にします。これにより、より多くの対象者がMRgFUSの恩恵を受けられるようになる可能性があります。また、治療パラメーターと累積的な熱履歴を組み合わせた多変量モデルは、ソニケーションごとの正確な温度予測を可能にし、効率に基づいたエネルギー調整と動的な治療ガイダンスを支援します。これはMRgFUSをより精密で個別化された治療へと進化させる上で重要な進展です。本研究の知見は、MRgFUSの熱効率にはターゲット部位による依存性があることを示しています。視床下核切開術（STN-FUS）は、視床切開術（Vim-FUS）と比較して一貫して低い熱効率を示し、同等の治療温度に達するためにより高い音響エネルギーを必要としました。これは、単一のターゲットから得られた効率スクリーニング基準が他の解剖学的ターゲットに直接転用できない可能性を示唆しています。MRgFUS治療における音響エネルギーと焦点温度の関係は、本質的に非線形であり、エネルギーと出力が高くなるにつれて温度上昇が徐々に減少する「飽和効果」が見られます。これは、頭蓋骨内での音響吸収の温度依存的な増加や、治療中に生じる浮腫や壊死などの組織変化が影響していると考えられます。蓄積された音響エネルギーや熱量が増加するにつれて熱効率が低下するという観察結果は、物理的および生物学的効果が連続的なソニケーション中の効率損失に寄与しているという仮説を裏付けています。今後の研究では、ターゲットを考慮した精緻な物理モデルとデータ駆動型予測モデルの統合が、温度予測だけでなく、病変形態の予測制御も可能にするかもしれません。この研究の限界としては、単一施設からの遡及的データである点、モデルが単一のピーク平均温度を予測する点、そしてデータ不均衡により高温度域での予測精度が低下する点が挙げられます。しかし、データ収集戦略の改善や複数施設でのデータ統合を通じて、これらの課題を克服し、MRgFUSの個別化医療への貢献が期待されます。

用語集

MRgFUS: MRガイド下集束超音波治療。MRIで脳の画像を撮りながら、体外から超音波を集中させて病変を熱で焼灼する、切開不要な治療法です。
SDR: 頭蓋骨密度比。頭蓋骨の密度の均一性を示す指標で、治療前に超音波の透過性を評価するために用いられます。
ST: 頭蓋骨厚。頭蓋骨の厚さを指し、超音波の減衰に影響を与える可能性があります。
DT: 双板間層厚。頭蓋骨内部の海綿骨層の厚さ。超音波の透過に影響します。
AOI: 入射角。超音波ビームが頭蓋骨表面に入射する角度で、超音波の伝達効率に影響します。
熱効率: 投入された音響エネルギーに対して、どれだけ効果的に温度が上昇するかを示す指標です。
ソニケーション: MRgFUS治療において、特定の時間、超音波エネルギーを照射する一連の操作のことです。
勾配ブースティングモデル: 予測精度を高めるために、複数の弱い予測モデル（決定木など）を順次構築し結合する機械学習手法の一つです。
MAE: 平均絶対誤差。予測値と実際の値との差の絶対値の平均で、モデルの予測精度を示す指標です。
TER55: 55°Cにおける温度対エネルギー比。最大55°Cまでの温度上昇を達成するために必要なエネルギーに対する温度上昇の比率を示す熱効率の指標です。
thalamotomy: 視床切開術。脳の視床の一部を意図的に焼灼または切断する神経外科手術で、振戦などの運動障害治療に用いられます。
subthalamotomy: 視床下核切開術。脳の視床下核の一部を焼灼または切断する神経外科手術で、パーキンソン病の運動症状緩和に用いられます。