2021 Fiscal Year Research-status Report
Prognostic model for GBM via Radiogenomics
| Project/Area Number |
19K09526
|
|---|
| Research Institution | Asahikawa Medical College |
|---|
Principal Investigator |
木下 学 旭川医科大学, 医学部, 教授 (40448064)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
有田 英之 大阪大学, 医学系研究科, 招へい教員 (60570570)
金村 米博 独立行政法人国立病院機構大阪医療センター(臨床研究センター), その他部局等, 研究員 (80344175)
橋本 直哉 京都府立医科大学, 医学(系)研究科(研究院), 教授 (90315945)
|
|---|
| Project Period (FY) |
2019-04-01 – 2023-03-31
|
| Keywords | 膠芽腫 / MRI / 機械学習 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
がん治療は初発時に行う一次治療、再発時に行う二次治療、再再発時の三次治療...、というように疾患の進行、再発とともに治療内容を変更することが一般的である。現在はがんの再発検出は血清腫瘍マーカー検査やCT、MRIを中心とした画像検査に依存している。がん治療内容の変更は上述のような検査によって「再発」が宣言され、その後「次治療」が計画、実行される。本研究では現状の「事後的次治療施行」から、がん「再発」を事前に予測し「予防的・事前的治療」が行えるアルゴリズムの開発を、脳腫瘍の代表格である膠芽腫をモデルとして試みることを目的としていた。
具体的には、画像、遺伝子、臨床情報を機械学習アルゴリズムで結合することで、がん患者の「未来予測」を可能とすることであり、研究者らの先行した知見と独自の画像解析技術に基づいたものであり、学術的にも臨床医学上も独創的な研究テーマと考えている。
研究実績として膠芽腫症例の初発から再発後最終追跡までのMRI画像を300例に及ぶ大規模なコホートで収集することができた。このコホート規模は国内外を見ても膠芽腫の画像コホートとしてかなり大きいものである。また、膠芽腫の再発様式に関する「画像統計」アルゴリズムの開発も完了することができた。
その他に副次的な研究成果として、膠芽腫の病変進展を可視化する基礎技術開発を達成することができた。膠芽腫の病変進展を通常のMRIだけで正確に可視化することは通常困難とされるが、収集した大規模膠芽腫コホートの一部の症例で施行されていた「先進的な画像撮影」技術を解析することで、膠芽腫の病変進展の可視化が可能であることを証明することができた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初の予定通り、300例規模の膠芽腫の画像収集ができており、基礎的な画像解析アルゴリズムの開発もできている。高度な画像統計処理は研究を繰り越した2022年度に完遂する予定であるが、2021年度までに研究計画時に開発を予定していた基盤技術の開発は終了している。
|
| Strategy for Future Research Activity |
1) 機械学習:予後モデル構築にはLeast Absolute Shrinkage and Selection Operator (LASSO)やSupport Vector Machine (SVM)を始めとした様々な機械学習を試行したが、近年の深層学習技術の目覚しい発達により、従来の機械学習技術に加えてこのような新規技術での解析も行い、深層学習技術の優位性を証明する予定である。これまでの計画では機械学習は統計プログラミング言語で頻用されるRで行うとしていたが、新たに深層学習を行うために、pythonで実装された画像解析システムの開発を行う予定である。
2) 過去コホートと新規コホートで解析元データのばらつきと類似性の解析:2021年度までこの解析はt-SNEと呼ばれる高次元のデータ集合を2次元または3次元へ配置し、高い確率で類似した集合が近傍に、異なる集合が遠方となるように対応付ける解析手法で行っていた。近年になりt-SNEに加えてu-Mapと呼ばれる新しいデータのばらつきを測定する解析方法が普及してきたため、2022年度はu-Map解析を取り入れる予定である。
|
| Causes of Carryover |
本年に行う予定であった以下の解析に「8.今後の研究の推進方策」で詳述した新規解析技術を取り入れ次年度に行うことにしたため、次年度使用額が生じた。
1) 機械学習:近年の深層学習技術の目覚しい発達により、従来の機械学習技術に加えてこのような新規技術での解析も行い、深層学習技術の優位性を証明する予定である。
2) 過去コホートと新規コホートで解析元データのばらつきと類似性の解析:2021年度までこの解析はt-SNEと呼ばれる解析手法で行っていた。近年になりt-SNEに加えてu-Mapと呼ばれる新しいデータのばらつきを測定する解析方法が普及してきたため、同解析技術を取り入れる予定である。
|
