AIを活用した食道がん術後再発に対する放射線治療の効果予測

• 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 2023)
• Budget Amount: ¥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

2022年度の研究解析結果を踏まえて、2023年度は抽出し直した対象症例(造影あり:造影なし= 63人:6人、86病変:7病変)について、治療計画CT画像と線量分布を追加して解析する方針とした。解析にあたる準備として、まずは治療計画装置よりDICOM画像データとして計画CT及び線量分布図を転送可能な状態に変換した。対象症例のCT画像転送は可能であったが、当初は線量分布図を含めることができず、一旦すべての変換手順を見直した。その後、新たな手順で試しに3例のデータ抽出を行い、予定の画像情報が抽出できたことを確認した。2024年度は、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、計画CT画像全体を評価対象とし、再度検討を行う。
また、同時期に分担研究者の異動や産前産後休業・育児休業が重なり、分担作業の一部に遅れが生じた。そのため、画像抽出作業と並行して対象症例の背景の見直しと、類似の別研究を行っている研究者からのヒアリングを行った。
本研究は再発病変を対象とした研究としたため、初期治療から再発までの経過や治療内容のばらつきがある。前年度の結果では、画像のAI解析によって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ず、患者背景の差が影響していると推測している。今後は、画像情報だけでなく、前提条件による差異に着目して比較を検討する。
加えて、学内の所属講座内で画像診断のAI研究を行っている研究者がおり、食道癌の術前画像からリンパ節転移を診断する研究を行っている。現在、画像のアノテーションが進んでおり、類似研究の強みを生かして、研究手法の応用できるか検討する。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

対象画像の抽出作業は遅れているが、適切なデータ転送方法はすでに把握できたため、順次データを作成し、再度検討を行う。
抽出作業が休止している間に、解析結果の解釈に必要な患者背景の見直しを行い、類似研究の情報を集めている。
以上から、一部の進捗は(3)やや遅れているものの、今後実施する作業内容は定まっているため、研究全体として現時点では(2)おおむね順調に進展している。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
2023年度から引き続き、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年度から引き続き、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。
(3) 画像とは独立した、患者背景による予後予測の検討
本研究はAI技術を用いた予後予測研究ではあるが、医学の根本に立ち返り、病歴や検査データなどの画像以外の情報との関連性について検討する。