| Project/Area Number |
23K07103
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | Niigata University |
|---|
Principal Investigator |
山崎 元彦 新潟大学, 医歯学系, 講師 (30772032)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
石川 浩志 新潟大学, 医歯学系, 教授 (90377151)
大橋 瑠子 新潟大学, 医歯学系, 教授 (20447600)
若井 俊文 新潟大学, 医歯学系, 教授 (50372470)
奥田 修二郎 新潟大学, 医歯学系, 教授 (00512310)
島田 能史 新潟大学, 医歯学系, 講師 (20706460)
後藤 達哉 新潟大学, 医歯学総合病院, 助教 (20899512)
土田 正則 新潟大学, 医歯学系, 教授 (60293221)
竹中 朋祐 九州大学, 大学病院, 准教授 (20645361)
河野 幹寛 九州大学, 大学病院, 助教 (00906323)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
Fiscal Year 2023: ¥2,210,000 (Direct Cost: ¥1,700,000、Indirect Cost: ¥510,000)
|
|---|
| Keywords | 肺癌 / TMB（腫瘍遺伝子変異量） / CT画像 / 病理画像 / テクスチャ解析 / Radiomics / 人工知能（AI） / 免疫チェックポイント阻害薬 / 腫瘍遺伝子変異量 / バーチャルスライド / 放射線・病理画像診断 |
|---|
| Outline of Research at the Start |
CT画像と病理画像のテクスチャ所見を併用した肺癌の腫瘍遺伝子変異量予測モデルを、研究初年度で開発する。次年度以降を目途に、テストデータを用いた予測モデルの精度検証と、CT画像と病理画像を自動コンツーリングする人工知能開発を行う。「放射線と病理の定量画像解析を統合した新規システムの開発」を本研究で目指す。
|
| Outline of Annual Research Achievements |
今年度は病理全スライド画像から癌部位を自動的にセグメンテーション可能なAIモデルを開発し、98例の肺癌症例に対して、CT画像から204種類、病理画像から95種類のテクスチャ特徴量を抽出した。これらの特徴量をもとにTMBとの関連を検討し、AIで自動抽出された腫瘍領域を用いたCT・病理統合モデルにおいてAUC 0.769を示し、単独モデル（CT単独のAUC 0.693、病理単独のAUC 0.682）よりも良好な予測能であった。さらに年齢、性別、喫煙歴などの臨床情報を加えることでAUC 0.776まで向上した。この成果は北米放射線学会2025（RSNA2025）に演題登録済みである。
一方、別途実施した視覚的評価を用いた解析では、TMBを測定した非小細胞肺癌99例を対象に、放射線科医が評価した高分解能CT所見（腫瘍のすりガラス成分、分葉、気腫、間質性肺炎、air bronchogramの有無など）に臨床情報を加えたモデルを構築したところ、AUC 0.862とより高い予測精度を示した。CT所見単独でもAUC 0.819を達成し、臨床情報のみのモデル（AUC 0.686）と比較して有意に優れていた（P < 0.001）。
興味深い点として、視覚的CT所見による予測精度が、CTテクスチャ解析や病理テクスチャ解析を用いた定量モデルを上回ったことが挙げられる。この結果から、経験ある放射線科医による形態学的評価の有効性が示唆される一方で、テクスチャ解析の方法や特徴量の抽出・選択を工夫することで、定量解析モデルのさらなる性能向上が必要であると考えられた。
これら2つの研究により、TMB高値症例を画像所見から非侵襲的かつ高精度に予測できる可能性が示された。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の研究計画に沿って画像データの解析を行ったこと、病理画像に対する腫瘍領域の自動セグメンテーションAIの開発にも成功したことが挙げられる。さらに、CTおよび病理画像からのテクスチャ特徴量抽出を一括で実施できる解析パイプラインも整備されており、これにより98例の統合解析が滞りなく実施された。また、得られた予測モデルの精度も概ね良好であり、RSNAおよびECRといった国際学会への演題登録・採択につながっている点も、研究実行力の裏付けとなっている。
|
| Strategy for Future Research Activity |
今後の研究の推進方策としては、まず本年度に構築したTMB予測モデルの外部検証を実施する。具体的には、共同研究機関である九州大学から提供される非小細胞肺癌症例のCT画像に対し、既存モデルの適用と精度評価を行う予定である。これにより、モデルの汎化性能および再現性を検証し、臨床応用に向けた信頼性を高める。
また、テクスチャ解析においては、従来の腫瘍内特徴量に加え、腫瘍間質や腫瘍周囲構造の評価を取り入れた解析手法を導入する予定である。これにより、視覚的評価を上回る精度の実現を目指す。
上記の取り組みにより、より汎用性・信頼性の高い非侵襲的TMB予測モデルの確立を進め、将来的には免疫療法の適応選択を補助する臨床支援ツールとしての展開を見据えて研究を推進していく。
|
