| Project/Area Number |
23K05744
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 43060:System genome science-related
|
|---|
| Research Institution | Shizuoka Cancer Center Research Institute |
|---|
Principal Investigator |
松島 圭吾 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (30975032)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
井坂 光宏 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (20838700)
増田 達也 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (20934590)
河田 卓也 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (30792494)
大出 泰久 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (40631552)
小野 哲 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (50441027)
盛 啓太 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (50727534)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2025: ¥130,000 (Direct Cost: ¥100,000、Indirect Cost: ¥30,000)
Fiscal Year 2024: ¥130,000 (Direct Cost: ¥100,000、Indirect Cost: ¥30,000)
Fiscal Year 2023: ¥3,900,000 (Direct Cost: ¥3,000,000、Indirect Cost: ¥900,000)
|
|---|
| Keywords | 細胞レベルでのアノテーション / 深層学習 / 解像度 / 臨床情報 / ラジオミクス / デジタルパソロジー / ALK肺癌 / 人工知能 |
|---|
| Outline of Research at the Start |
我々は、非小細胞肺癌組織のヘマトキシリンエオジン(HE)染色切片をデジタル化した全スライドデジタル病理画像(WSI)データを、深層学習プラットフォームで学習し未分化リンパ腫キナーゼ(ALK)遺伝子変異の有無を予測するモデル構築ができることを確認したが、その精度は満足できるものではない。ALK遺伝子変異予測モデルに、放射線画像情報に基づいて遺伝子異常予測を行う手法であるラジオミクスを組み合わせることで、より高精度なALK遺伝子変異予測モデルを構築したい。高精度モデルを構築することで希少な遺伝子変異の効率良いスクリーニングが可能となる。
|
| Outline of Annual Research Achievements |
デジタルHematoxylin-Eosin(HE)スライドにおけるDeep Learningを用いたALK融合遺伝子予測に関し、様々な学習法による予測能の検討を行った。その結果、腫瘍全体のアノテーションや、腫瘍細胞に加えて周囲の細胞(炎症細胞浸潤や正常細胞構造等)を含めるのではなく、あくまで腫瘍細胞のみを選択的にアノテーションすることで予測能が上昇することが分かった。アノテーション以外の条件として、学習する際の解像度は1.0μm/px、陽性判定の閾値は50%が最も予測能が高いことを証明した。臨床情報の付加に関しては、本研究に用いる症例のデータベース化が完了し、使用する予定の臨床情報を全て収集した。この結果から臨床情報によるALK融合遺伝子変異の予測を行ったが、性別や年齢、腫瘍マーカー等、ALK融合遺伝子の存在を予測するうえで有意な因子は認めなかった。統計学的手法においても、予測スコアリングを行う方針を固めた。デジタルHEスライドによるDeep Learningを用いたモデルに関してはALK融合遺伝子陽性予測面積割合、臨床情報に関しては年齢や性別、喫煙指数、腫瘍マーカー、臨床病期といった複数の臨床情報を説明変数の候補とする。ラジオミクスは得られた特徴量の中のいくつかを選択し、説明変数の候補とする。以上の説明変数から重みづけを行い、スコアリングを行う。ラジオミクスに関し、CTでの腫瘍アノテーションを行う必要があり、DICOMとしてのCT画像取得を進めている。ラジオミクスによる特徴量の取得には企業に依頼するが、その企業との契約を進めている。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
症例のデータベース化に時間を要した。また、統計的手法の方針決定に難渋した。
|
| Strategy for Future Research Activity |
CT画像のアノテーションを速やかに行い、ラジオミクスによる特徴量の獲得を急ぐ。
特徴量が獲得できれば、ALK融合遺伝子症例に多く認める特徴量を抜粋し、スコアリングを行い、ALK融合遺伝子の予測を行う。
|
