| Project/Area Number |
22K12848
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90130:Medical systems-related
|
|---|
| Research Institution | Showa University |
|---|
Principal Investigator |
加藤 正子 昭和大学, 医学部, 講師 (90791773)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
吉村 清 昭和大学, 大学共同利用機関等の部局等, 教授 (30346564)
伊藤 芳紀 昭和大学, 医学部, 教授 (80501840)
西村 恵美 昭和大学, 医学部, 助教 (80813146)
小林 玲 昭和大学, 医学部, 助教 (90837147)
村上 幸三 昭和大学, 医学部, 准教授 (90439472)
関本 篤人 昭和大学, 医学部, 助教 (00897267)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥260,000 (Direct Cost: ¥200,000、Indirect Cost: ¥60,000)
Fiscal Year 2023: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2022: ¥3,510,000 (Direct Cost: ¥2,700,000、Indirect Cost: ¥810,000)
|
|---|
| Keywords | 食道癌 / リンパ節転移 / AI / 予後予測 / 転移学習 / 食道がん / 放射線治療 / バイオマーカー |
|---|
| Outline of Research at the Start |
再発時の画像診断により予後予測が可能となれば,最適な治療法(放射線治療,化学療法,免疫療法,その他)を選択できる可能性がある.我々は,制御例と非制御例をAIシステムで解析し,予後予測を支援するシステムを開発することとした.本研究は,世界中で類を見ない画像によるバイオマーカーを作成することから高い独自性を有している.本研究により,画像による新規バイオマーカーを開発し日本初の新しい治療効果予測マーカーとして治療方針決定に寄与し,最終的には診断支援ソフト化して広く利用する.このシステムの開発は,他の悪性腫瘍にも応用可能な発展性のある研究と考えられる.
|
| Outline of Annual Research Achievements |
先行研究の解析対象を見直し、根治術後にリンパ節転移が認められた例のみを抽出した。リンパ節転移ではなかった症例や、すでに遠隔転移があった緩和症例は除外した。インプットデータには放射線治療直前の診断用CT画像を使用し、合計86症例を対象とした。1症例に病変が複数ある場合は、それぞれを検討対象とした。造影あり：造影なし= 63人：6人、86病変:7病変だった。撮影されたCTボリュームの全体をモデルの入力データとした。予測対象は放射線治療1年後の予後と定義した。特徴量学習・分類アルゴリズムはMedical Netを用いた転移学習を用いた。
インプットデータの処理による精度の変化の可能性として、(1) CT画像の切り取りサイズ変更による精度の変化、(2) データポイント（Tumor、 ヒト）による精度の変化、(3) 造影剤の有無による精度の変化、(4) データの拡張(オーグメンテーション)を活用することによる精度の変化を検討した。CT画像の切り取りサイズは20 x 20 x 20 mm、40 x 40 x 40 mm、80 x 80 x 80 mmの3種類を用いた。
また、説明可能性の検討として、Integrated gradient, grad CAMを用いて予測に寄与する画像上の部位の特定可能性の検討を行った。
上記の条件の元では、いずれも現時点で何らかの特徴を捉えて死亡と予測、生存と予測を判断している様子は認められなかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
限局した病変の評価では、AIにより何らかの特徴を捉えた判断は行われなかった。
そのため、今後は解析対象画像を拡大する。放射線治療の計画時に設定された照射対象領域のROI情報（PTV、CTVなど）を利用して、CT画像全体を評価対象とし、再度検討を行う。
画像転送および再検討が必要なため、進捗状況は(3)やや遅れている。を選択した。
|
| Strategy for Future Research Activity |
(1) ROI（Region of Interest）情報を利用した入力データの前処理の実施
2022年度の検討では、撮影されたCTボリュームの全体をモデルの入力データとして扱い、予後予測を行うモデルを構築した。2023年度では、放射線治療の計画時に設定された照射対象領域のROI情報（PTV、CTVなど）を利用して、予測モデルの入力とする範囲を腫瘍とその周辺に限定することで、予測精度の向上を図る。入力する範囲を限定することで、腫瘍外の画像がノイズとなることを防ぐ、入力できる画像の解像度を相対的に上げることができる、などの利点がある。
(2) 大規模事前学習モデルを利用した転移学習
2022年度の検討ではMedicalNetを利用した転移学習を行った。MedicalNetは約1,600例のCTおよびMRI画像を事前学習させたモデルである。
2023年度の検討ではRadimageNetと呼ばれる、約135万枚のCT、MRIおよび超音波画像を事前学習させたモデルを利用し精度向上を図る。RadimageNet事前学習済みモデルは2次元画像（スライス）を入力とするモデルであり、3次元画像（ボクセル）を入力とするMedicalNetとは構造が異なる。複数のスライスに対する予測結果をまとめ処理する必要があり、その手法についても併せて検討する。
|
