| 研究課題/領域番号 |
23K06458
|
|---|
| 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49020:人体病理学関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
阿部 浩幸 東京大学, 大学院医学系研究科(医学部), 講師 (40708632)
|
|---|
| 研究分担者 |
黒瀬 優介 東京大学, 先端科学技術研究センター, 特任講師 (20832512)
原田 達也 東京大学, 先端科学技術研究センター, 教授 (60345113)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,810千円 (直接経費: 3,700千円、間接経費: 1,110千円)
2025年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
2024年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2023年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 胃癌 / 大腸癌 / 人工知能 / 病理診断 / 分子異常 |
|---|
| 研究開始時の研究の概要 |
申請者らは先行研究において病理組織画像から癌の範囲を高効率かつ正確に抽出する人工知能のアルゴリズム"multi-stage semantic segmentation for pathology" (MSP法)を開発し、特許出願した。本研究では胃癌・大腸癌を対象に、MSP法で高効率に癌の画像を収集し、学習データを効率よく構築する。得られたデータを用い、リンパ節転移や簇出などの検出、肝転移巣の浸潤様式の推定を行うAIを作成する。また多数症例のtissue microarrayを用い、病理画像と分子異常データを組み合わせて解析し、病理画像からAIで推定しやすい分子異常を同定する。
|
| 研究実績の概要 |
本年は下記の成果を得た。
(a) 大腸癌におけるリンパ節転移検出モデルの作成：大腸の粘膜下層浸潤癌(pT1b癌)の内視鏡的または外科的切除症例319症例(うち転移あり症例51例)を対象にwhole slide image (WSI)を作成した。WSIから弱拡大及び強拡大の画像を切り出し、畳み込みニューラルネットワークを用いて病理組織像からリンパ節転移の有無を予測するAIを作成した。その結果、ROC曲線のAUC値が0.93±0.07となり、既報告と比較し良好なモデルを作製することができた。Grad-CAM法等の複数の手法で、AIモデルが判定の根拠とした部位の可視化も試みた。
(b) Tissue microarrayを用いた網羅的な分子異常及び予後予測モデル構築：2015年から2021年に東大病院で切除された胃癌症例(約650例)を対象にtissue microarrayを作成し、HE染色と胃癌治療標的バイオマーカー(CLDN18, FGFR2b, HER2, PD-L1等)の免疫染色を行った。免疫染色の評価は80%程度が終了し、AI解析を行うためのデータ整備が整いつつある。
(c) 大腸癌肝転移の病理組織解析AI開発：術前化学療法を受けていない大腸癌肝転移症例130例のWSIを作成し、腫瘍部分のアノテーションを行った。予後良好群と予後不良群に分け、WSIから切り出したパッチ画像を学習データとし、multiple instance learningによるAIモデル作成を試みた。切り出すパッチのサイズや切り出す部位(腫瘍全体から万遍なく切り出すか、histological growth patternを反映する腫瘍辺縁部から切り出すか)等を検討したが、AIによる予後の推定は困難であった。
|
| 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
各研究課題について画像データの収集とアノテーション、AI学習の元となるデータベース(免疫組織学的評価等)が予定通り順調に進んでいる。
|
| 今後の研究の推進方策 |
令和6年度(研究計画2年目)以降は以下の計画を進めている。
・大腸癌リンパ節転移予測AIモデルについては、従来の臨床病理学的なリンパ節転移予測因子(リンパ節転移・簇出等)との予測精度の比較を行うとともに、AIが判定の根拠とした部位の組織学的特徴について検討を行う。
・胃癌のバイオマーカー発現評価、HE染色の腫瘍部アノテーションを令和6年度前半に完成させ、HE染色病理組織像からのバイオマーカー発現予測モデルの構築に着手する。
大腸癌肝転移の予後予測モデルの作成は、令和5年度の検討では困難であった。学習データ症例数が少ないこと、肝転移症例のみが集められ患者集団の予後が全体に不良であること、肝転移の組織像が原発と比べ多様性を欠くことなどが原因として考えられる。症例数の増加や、予後以外の因子(遺伝子・免疫組織学的異常等)の推定を行うAIモデルの作成を検討する。なお大腸癌の簇出を評価するAIモデルについては令和5年度は未着手であり、令和6年度以降に検討を開始する。
|
