| Project/Area Number |
23K14931
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 52040:Radiological sciences-related
|
|---|
| Research Institution | Kansai Medical University |
|---|
Principal Investigator |
小池 優平 関西医科大学, 医学部, 助教 (90866154)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2025: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2024: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2023: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
|---|
| Keywords | radiomics / Dual-energy CT / 放射線治療 / 人工知能 / AI / 医学物理 / DECT / 頭頸部 |
|---|
| Outline of Research at the Start |
Radiomicsは医用画像から得られる画像特徴量を網羅的に解析し、予後などの臨床情報との関連を明らかにする新たな解析法である。しかし、これまでのSingle energy CT（SECT）画像に基づくRadiomicsは、撮像条件に影響を受けやすく、定量性が問題視されている。
本研究では、SECTではなく、2種類の異なるX線を利用するDual energy CT画像を用いてRadiomics解析を行うことで、頭頸部癌における放射線治療後の予後予測モデルの開発を目指す。本研究で提案する新たなRadiomics解析は、低コストで非侵襲的なバイオマーカーとなり、さらなる個別化医療へと展開する。
|
| Outline of Annual Research Achievements |
本研究では、Dual-energy CT (DECT)を用いたRadiomics解析により、頭頸部癌の予後予測モデルを開発することを目的としている。令和6年度は、比較対象となるSingle-energy CT (SECT)とDECT画像（Virtual monochromatic image: VMIのエネルギー差分画像）から予測モデル構築の際に候補となりうる Radiomics 特徴量を抽出する予定であった。臨床面ではTCIA（The Cancer Imaging Archive）の公開データ（頭頸部癌症例）を用い、ランダムフォレスト、サポートベクターマシン、決定木（CART）、勾配ブースティング（Gradient Boosting）の四手法で予後分類モデルを試作し、SECT由来の画像特徴量のみでも有用な分類ができる可能性があることを確認した。これにより、今後DECT固有のエネルギー特異的情報がどれだけ性能を押し上げるかを定量的に検証するためのベースラインを確立できた。特徴量の前処理から交差検証までを自動化した解析パイプラインを構築し、特徴量の重要度解析を行った結果、四手法で抽出された特徴量には手法間のばらつきがあるものの、腫瘍内の不均一性を捉えるテクスチャ指標が共通して上位に現れる傾向があり、腫瘍内部の複雑な構造が予後と関連している可能性が示唆された。本成果は，放射線治療後予後予測を低コストかつ非侵襲に支援する画像バイオマーカー実用化へ向けた重要な一歩であると考える。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
DECT臨床症例データの収集が遅れているため。
|
| Strategy for Future Research Activity |
深層学習モデルへの展開として、機械学習で抽出した主要特徴を手掛かりに，3D CNN や Vision Transformer を用いたエンドツーエンドの予後予測モデルの開発を目指す。
|
