研究課題/領域番号 |
21K07558
|
研究種目 |
基盤研究(C)
|
配分区分 | 基金 |
応募区分 | 一般 |
審査区分 |
小区分52040:放射線科学関連
|
研究機関 | 北海道大学 |
研究代表者 |
藤間 憲幸 北海道大学, 大学病院, 講師 (80431360)
|
研究分担者 |
本間 明宏 北海道大学, 医学研究院, 教授 (30312359)
|
研究期間 (年度) |
2021-04-01 – 2024-03-31
|
研究課題ステータス |
交付 (2022年度)
|
配分額 *注記 |
2,990千円 (直接経費: 2,300千円、間接経費: 690千円)
2023年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2022年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2021年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
|
キーワード | MRI / 人工知能 / 頭頸部癌 / 頭頚部癌 |
研究開始時の研究の概要 |
頭頸部扁平上皮癌の予後予測因子として一般的に重要とされている腫瘍特性に細胞増殖能および低酸素状態の有無が挙げられる。本研究は第一段階として、MRIの画像情報に数学的な後処理解析を加えることで、これらの腫瘍特性を高精度に反映させた画像を作り出すことを目的とした。さらに第二段階として、これらの腫瘍特性を反映させた画像情報を用いて、より精度の高い予後予測法を構築することを目的とした。これには、腫瘍特性を反映させた画像情報に対して、深層学習をベースにした解析を施すことで、より精度の高い診断モデルを構築する。
|
研究実績の概要 |
本研究の第一段階として、頭頸部扁平上皮癌における腫瘍の機能的情報(細胞増殖能および低酸素領域)の非侵襲的な画像化の検討があったが、こちらはMRIによる多b値の拡散強調像の信号情報およびamido proton transfer(APT)イメージングにより得られる腫瘍のタンパク質代謝情報、さらにはArterial Spin Labeling(ASL)より得られた腫瘍の血流情報を反映させたデータをそれぞれ数学的手法によって解析することで、比較的、高い精度における画像化を実現することができた。 2022年度は主に、これらの情報を深層学習モデルを用いて解析することで予後予測機能のモデル化を試みた。深層学習には既存のイメージデータベースを用いて構築された複数のモデルによる転移学習を行った。モデル分類の教師データとしては、患者の原発腫瘍のT-stageや化学放射線治療に対する初期反応を用いて、これらの結果を数学的に融合させることで、より精度の高いモデル構築を試みた。今回の画像処理に最適な深層学習ネットワークの種類およびモデル構築に最適なハイパーパラメータを複数回の処理にて決定し、モデル構築の条件の基盤となるデータを無事に取得することが出来た。 2023年度は実際の患者データにおける短期的、長期的予後を用いて、今回、構築した深層学習モデルの精度を検証していく。結果次第でさらなるパラメータの調整、および適切化に向けて追加の検討を続けていく予定である。必要に応じて、画像情報のベクトル化、得られたベクトルの融合処理などによる構築されたモデルの改善も行っていく。
|
現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
本研究の第一段階である腫瘍の機能的情報をもつ画像情報の取得および解析手法の確立はおおむね初年度および今年度にて達成されている状態である。具体的には腫瘍の細胞増殖能および低酸素領域の推定も許容範囲内の精度で施行可能なところまで到達している。 また、予後予測モデル構築のための深層学習解析およびパラメータ調整に関しても順調に今年度の検討にて最適化が進んでおり、最終的な精度評価に移行できる段階になっている。
|
今後の研究の推進方策 |
今後は、実際の頭頸部癌の患者において得られた予後と今回、構築された深層学習による予後予測モデルの結果を対比していく。得られた結果に応じて、さらなる精度検証、最終的な深層学習モデルの選択、選択されたモデルのパラメータ設定を進めていき、最も高い精度を持つモデル構築を目指していく。モデル構築が得られたのちに、他施設で使用可能な状況にするための設定調整も同時に行っていく予定である。
|