膵癌における人工知能技術を用いた臨床画像からの遺伝子変異・発現予測
| Project/Area Number |
20K17570
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 55010:General surgery and pediatric surgery-related
|
|---|
| Research Institution | Chiba Cancer Center (Research Institute) |
|---|
Principal Investigator |
岩立 陽祐 千葉県がんセンター(研究所), 肝胆膵外科, 医長 (10815731)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Project Status |
Granted (Fiscal Year 2021)
|
| Budget Amount *help |
¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2021: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2020: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | pancreatic cancer / Radiogenomics / artificial intelligence / ITGB1 / ITGAV / 膵臓癌 / Genomics / Radiomics |
|---|
| Outline of Research at the Start |
膵癌においては発癌・進展・薬剤効果などに関連する遺伝子異常についても未解決な領域が多い。今回、我々は難治性の膵癌を対象に、組織検体を用いた網羅的なゲノム変異・RNA発現解析(Genomics解析)を行い、臨床転帰に関連する遺伝子情報を同定する。同時に治療前のCT・MRIから数学的に多数の画像的特徴量(統計量)を抽出するRadiomics解析を行う。深層学習を含めた機械学習を用いた人工知能(AI)技術を応用することにより、抽出された画像的特徴量(Radiomics)から、同定した遺伝学的情報(Genomics)および臨床転帰を予測するRadiogenomicsシステムを構築すること目的とする。
|
| Outline of Annual Research Achievements |
本年度は前年度に膵癌において癌と周辺正常組織からのmRNA抽出および次世代シークエンサー(NGS)による解析結果から得られた標的遺伝子であるITGAV、ITGB1において画像解析を行った。前年度にITGAV、ITGB1に関してはRNA-seqによる発現解析とタンパク発現の相関関係を確認し、カットオフ値を設定し免疫染色(IHC)において臓癌107例で検証した。その結果ITGB1、ITGAVともに予後、再発因子となった(ITGB1: P = 0.035.0.028, ITGAV:P = 0.005,0.003)。これらを多変量解析を行った結果もP<0.05となり、独立した予後、再発規定因子となった。これら発現解析を行った107例に対して画像解析を行うべく、CTのPCAS画像から3D slicerというsoft wareを用いて腫瘍の立体画像を構築、Volume of interest (VOI)
を構築し様々な画像的特徴量の抽出、および機械学習を行い、最適な特徴量選択と機械学習う手法の模索を行った。またVOIとその腫瘍辺縁領域4㎜を含むVOI+4㎜、さらにVOI+8㎜の検討も行った。結果、ITGAVにおいては1,874種類で動脈相、静脈相を含め合計3,748個の特徴量から機械学習を行い、機械学習についてはDeep neural networkやRandam Forrest, ,Regression Line, eXtreme Gradient Boosting(XGBoost)を検討し、XGBoostによる学習能が最適となり、5-Fold nested Validation という手法にてハイパーパラメータの設定と、Validationとを共におこなった。さらにVOI,VOI+4㎜,VOI+8㎜で検討を行い、最も鑑別能の高かったVOI+4㎜を採用し、結果AUC＝0.697が得られた。この機械学習モデルと用いて、
予後、再発の検討を行うとそれぞれ P = 0.048, 0.128 と予後のみ予測可能なモデル構築が可能となった。より精度の高い、モデル構築のためより多数症例での検討や条件の検討を行っている。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
当院においても膵臓癌に対する術前化学療法が標準化され、術前無治療にて手術を施行する症例が極端に少なくなってしまっているため、症例の登録数があまりなく多症例でのシークエンス等の網羅的研究は遅延している状況となっております。
|
| Strategy for Future Research Activity |
RNA-seqにて臨床病理学的に意義のあると思われるITGB1については免疫染色において
予後、再発率に寄与することを確認した。今後は最適な画像的特徴量の選択と機械学習モデルの構築に取り組むことと、より多症例での検討、またRNA-seq症例においては術前造影MRIも施行しており、CT以外のモダリティーを含めた検討も行っていく予定となっております。
|
Report
(2 results)
Research Products
(6 results)
