機械学習技術を用いた肝内胆管癌表現型の新しい分類。国際的な多施設での分析

A Novel Classification of Intrahepatic Cholangiocarcinoma Phenotypes Using Machine Learning Techniques: An International Multi-Institutional Analysis.

• Diamantis I Tsilimigras
• J Madison Hyer
• Anghela Z Paredes
• Adrian Diaz
• Dimitrios Moris
• Alfredo Guglielmi
• Luca Aldrighetti
• Matthew Weiss
• Todd W Bauer
• Sorin Alexandrescu
• George A Poultsides
• Shishir K Maithel
• Hugo P Marques
• Guillaume Martel
• Carlo Pulitano
• Feng Shen
• Olivier Soubrane
• Bas Groot Koerkamp
• Itaru Endo
• Timothy M Pawlik

抄録

はじめに:

肝内胆管癌（ICC）患者は一般的に予後不良であるが、その発現パターンと関連する転帰には不均一性がある。我々は，術前の特徴に基づいてICC患者のクラスターを同定することを目指した。

INTRODUCTION: Patients with intrahepatic cholangiocarcinoma (ICC) generally have a poor prognosis, yet there can be heterogeneity in the patterns of presentation and associated outcomes. We sought to identify clusters of ICC patients based on preoperative characteristics that may have distinct outcomes based on differing patterns of presentation.

方法:

2000年から2017年の間にICCの治癒本意切除を受けた患者を、多施設データベースを用いて同定した。術前の変数に基づいてクラスター解析を行い、明らかな発現パターンを同定した。分類木を構築し、患者をプロスペクティブにクラスター分類に割り付けた。

METHODS: Patients undergoing curative-intent resection of ICC between 2000 and 2017 were identified using a multi-institutional database. A cluster analysis was performed based on preoperative variables to identify distinct patterns of presentation. A classification tree was built to prospectively assign patients into cluster assignments.

結果:

ICCを有する826人の患者のうち，3つの明確な発現パターンが認められた．具体的には、クラスター1（一般的なICC、58.9％）は、サイズが小さいICC（中央値4.6cm）、中央値が炭水化物抗原（CA）19-9および好中球対リンパ球比（NLR）がそれぞれ40.3UI/mLおよび2.6であった患者で構成されていた；クラスター2（増殖性ICC、34.9％）は、サイズが大きい腫瘍（中央値9.0cm）、CA19-9値が高い（中央値72.0UI/mL）、およびNLRが同程度（中央値2.7）であった患者で構成されていた；クラスター3（炎症性ICC、34.9％）は、サイズが大きい腫瘍（中央値9.0cm）、CA19-9値が高い（中央値72.0UI/mL）、およびNLRが同程度（中央値2.7）であった患者で構成されていた。クラスター3（炎症性ICC、6.2％）は、中規模ICC（中央値6.2cm）で、CA19-9濃度が最も低く（中央値26.2UI/mL）、NLRが最も高い（中央値13.5）患者で構成されていた（いずれもp<0.05）。OS中央値は3つの異なるクラスタ間で漸増的に悪化した{クラスタ1 vs. 2 vs. 3; 60.4ヶ月（95%信頼区間[CI] 43.0-77.8） vs. 27.2ヶ月（95%CI 19.9-34.4） vs. 13.3ヶ月（95%CI 7.2-19.3）; p<0.001}。患者を異なるクラスタに割り当てるために使用された分類木は、実際のクラスタ割り当てと優れた一致を示した（κ=0.93、95% CI 0.90-0.96）。

RESULTS: Among 826 patients with ICC, three distinct presentation patterns were noted. Specifically, Cluster 1 (common ICC, 58.9%) consisted of individuals who had a small-size ICC (median 4.6 cm) and median carbohydrate antigen (CA) 19-9 and neutrophil-to-lymphocyte ratio (NLR) levels of 40.3 UI/mL and 2.6, respectively; Cluster 2 (proliferative ICC, 34.9%) consisted of patients who had larger-size tumors (median 9.0 cm), higher CA19-9 levels (median 72.0 UI/mL), and similar NLR (median 2.7); Cluster 3 (inflammatory ICC, 6.2%) comprised of patients with a medium-size ICC (median 6.2 cm), the lowest range of CA19-9 (median 26.2 UI/mL), yet the highest NLR (median 13.5) (all p < 0.05). Median OS worsened incrementally among the three different clusters {Cluster 1 vs. 2 vs. 3; 60.4 months (95% confidence interval [CI] 43.0-77.8) vs. 27.2 months (95% CI 19.9-34.4) vs. 13.3 months (95% CI 7.2-19.3); p < 0.001}. The classification tree used to assign patients into different clusters had an excellent agreement with actual cluster assignment (κ = 0.93, 95% CI 0.90-0.96).

結論:

機械学習解析により、ICC患者の術前の特徴のみに基づいて3つの異なる予後クラスタが同定された。機械学習ツールを用いて術前の患者の不均一性を特徴づけることは、医師がICC患者の術前選択やリスク層別化を行う際に有用である。

CONCLUSION: Machine learning analysis identified three distinct prognostic clusters based solely on preoperative characteristics among patients with ICC. Characterizing preoperative patient heterogeneity with machine learning tools can help physicians with preoperative selection and risk stratification of patients with ICC.