2023 Fiscal Year Research-status Report
Developing a model to predict response to immune checkpoint inhibitor using machine learning
| Project/Area Number |
22K08268
|
|---|
| Research Institution | Juntendo University |
|---|
Principal Investigator |
宿谷 威仁 順天堂大学, 医学部, 准教授 (90529174)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
鈴木 一廣 順天堂大学, 医学部, 准教授 (20338370)
林 大久生 順天堂大学, 医学部, 准教授 (70569128)
高橋 和久 順天堂大学, 医学部, 教授 (80245711)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Keywords | 肺癌 / 機械学習 / 効果予測 |
|---|
| Outline of Annual Research Achievements |
進行・再発非小細胞肺癌 (NSCLC)において、分子標的薬および免疫チェックポイント阻害薬（ICI）の登場は、進行・再発NSCLCに対する治療にパラダイムシフトを起こした。分子標的治療薬はドライバー遺伝子変異の有無で、また、ICIはPD-L1免疫染色（発現）でその効果をある程度予測できるが、より正確な治療効果予測モデルの確立は重要な課題である。
本研究では、既存のバイオマーカーを含む臨床情報及び治療情報、画像データを入力して効果量を推定する機械学習モデルを構築・訓練する。すなわち、既存のバイオマーカーとCT画像、PET-CT画像を組み合わせることにより、それぞれの治療方法の奏効する可能性を計測し、その中から、最適な治療方法を選ぶようなモデルの作成を目指す。
まずは、本モデルのプロトタイプとして、ドライバー変異の一つであるEGFR変異検査を予測するモデルの作成を試みた。その結果、NSCLCの治療アルゴリズムを支援するためにDeep Learningを利用できる可能性が十分にあることが示唆された。
次に、進行非小細胞肺癌における臨床情報と脳MRIおよび胸部CT画像を含む画像モダリティに基づく、初回免疫チェックポイント阻害薬±プラチナ製剤の治療効果を予測する完全自動化アンサンブルモデルを構築した。現在このモデルの予測精度を検証中で、システム性能の評価・改良を繰り返し、より高い精度を目指している。
本研究を進め、進行・再発NSCLC患者の治療選択において、臨床情報と、CT画像、PET-CT画像を統合し、症例の特徴に応じた最適な治療選択が可能となることが期待される。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
コロナ感染症の流行に伴い、一時的に、当施設や共同研究施設が使用不可となり、研究に遅延が生じた。コロナ感染症への対応の変化に伴い、徐々に遅れを取り戻しつつある。
|
| Strategy for Future Research Activity |
上記「研究実績の概要」に記載したとおり、現在、データの収集とデータ解析を進めている。プロトタイプをはじめ、本Deep Learningモデルの有用性が示唆されたため、今後、さらにデータを収集し、解析を進め、システム性能の評価・改良を繰り返し、より高い精度を目指したい。最終的な目標として、実臨床につながる研究へ発展させたい。
|
| Causes of Carryover |
研究の進捗遅延に伴い、残額が生じた。今後、研究費を有効に活用して、研究を順調に進捗させたい。
|
