| Project/Area Number |
23K09700
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 58030:Hygiene and public health-related: excluding laboratory approach
|
|---|
| Research Institution | Showa University |
|---|
Principal Investigator |
井上 永介 昭和大学, その他部局等, 教授 (50528338)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
砂川 優 聖マリアンナ医科大学, 医学部, 教授 (10458515)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥2,860,000 (Direct Cost: ¥2,200,000、Indirect Cost: ¥660,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
|
|---|
| Keywords | 治療効果予測 / 免疫チェックポイント阻害薬 / 腸内細菌叢 / 機械学習 / 深層学習 |
|---|
| Outline of Research at the Start |
免疫チェックポイント阻害薬の治療効果と腸内細菌叢の関連が報告されている。これを利用して治療効果予測を行うことで、高額な免疫チェックポイント阻害薬を対象とした個別化医療につなげることができる。本研究では、実際の臨床研究データに機械学習等を適用し、治療効果予測モデルを構築する。構築した予測モデルは臨床現場での活用が容易なように、治療効果予測パッケージとして提案する。
|
| Outline of Annual Research Achievements |
DELIVER試験のデータに各種機械学習アルゴリズムを適用し、初回増悪判定、１年全生存、半年無増悪生存のそれぞれを腸内細菌叢データでどの程度予測可能を評価した。評価手法として、標準的な機械学習手法であるLASSO、random survival forest、LightGBMを用いた。統計的予測モデルに比べて若干の予測精度改善（C統計量で評価）は見られたが、臨床現場で利用できるほどの予測能力ではなかった。よって、そのままではパッケージ開発に進むことができず、別のバイオマーカーを組み込むことと、綿密なハイパーパラメータチューニングが必要と考えた。現在は、データ数が限られていることから、クロスバリデーション内にハイパーパラメータチューニングを組み込んで最適なハイパーパラメータ探索を行いつつ、データへの過適合が起こらないように予測能力の評価を行っているところである。
一方、同じくDELIVER試験データを用いて、腸内細菌叢を除くバイオマーカーによる予測能力の評価について結果報告（学会発表と論文）を行うことができた。上記の予測問題に大きく寄与する可能性がある結果を得たため、これから開発する予測モデルに予測因子候補として含めて検討を行うこととする。
さらに、新規臨床研究の立案・開始が完了した。ここまでで得た方法論に関する知見を適用するための外部データとして利用可能であり、予測精度の確認や新たな予測因子候補の探索につなげていく予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
各種機械学習アルゴリズムを利用した腸内細菌叢データによる初回増悪判定、１年全生存、半年無増悪生存の予測モデル開発は、予想していたどおりの性能ではなかったものの、予定通り進めることができた。他の手法を適用する必要が出ているが、想定の範囲内の作業内容であり、当初の予定どおりに研究を進めることができている。
|
| Strategy for Future Research Activity |
各種機械学習アルゴリズムを利用した腸内細菌叢データによる効果予測モデルの開発とパッケージ開発を予定どおりに進める。その際、腸内細菌叢ではない別のバイオマーカーを加味する部分は当初想定していなかった部分であるが、予定通りに研究は進めることができると考えられる。
|
