| 研究課題/領域番号 |
23K05744
|
|---|
| 研究機関 | 静岡県立静岡がんセンター(研究所) |
|---|
研究代表者 |
松島 圭吾 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (30975032)
|
|---|
| 研究分担者 |
井坂 光宏 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (20838700)
増田 達也 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (20934590)
河田 卓也 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (30792494)
大出 泰久 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (40631552)
小野 哲 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (50441027)
盛 啓太 静岡県立静岡がんセンター(研究所), その他部局等, 研究員 (50727534)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| キーワード | 細胞レベルでのアノテーション / 深層学習 / 解像度 / 臨床情報 / ラジオミクス |
|---|
| 研究実績の概要 |
デジタルHematoxylin-Eosin(HE)スライドにおけるDeep Learningを用いたALK融合遺伝子予測に関し、様々な学習法による予測能の検討を行った。その結果、腫瘍全体のアノテーションや、腫瘍細胞に加えて周囲の細胞(炎症細胞浸潤や正常細胞構造等)を含めるのではなく、あくまで腫瘍細胞のみを選択的にアノテーションすることで予測能が上昇することが分かった。アノテーション以外の条件として、学習する際の解像度は1.0μm/px、陽性判定の閾値は50%が最も予測能が高いことを証明した。臨床情報の付加に関しては、本研究に用いる症例のデータベース化が完了し、使用する予定の臨床情報を全て収集した。この結果から臨床情報によるALK融合遺伝子変異の予測を行ったが、性別や年齢、腫瘍マーカー等、ALK融合遺伝子の存在を予測するうえで有意な因子は認めなかった。統計学的手法においても、予測スコアリングを行う方針を固めた。デジタルHEスライドによるDeep Learningを用いたモデルに関してはALK融合遺伝子陽性予測面積割合、臨床情報に関しては年齢や性別、喫煙指数、腫瘍マーカー、臨床病期といった複数の臨床情報を説明変数の候補とする。ラジオミクスは得られた特徴量の中のいくつかを選択し、説明変数の候補とする。以上の説明変数から重みづけを行い、スコアリングを行う。ラジオミクスに関し、CTでの腫瘍アノテーションを行う必要があり、DICOMとしてのCT画像取得を進めている。ラジオミクスによる特徴量の取得には企業に依頼するが、その企業との契約を進めている。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
症例のデータベース化に時間を要した。また、統計的手法の方針決定に難渋した。
|
| 今後の研究の推進方策 |
CT画像のアノテーションを速やかに行い、ラジオミクスによる特徴量の獲得を急ぐ。
特徴量が獲得できれば、ALK融合遺伝子症例に多く認める特徴量を抜粋し、スコアリングを行い、ALK融合遺伝子の予測を行う。
|
| 次年度使用額が生じた理由 |
アノテーションまで至らず。ハード面の整備に予算を使用するに至らなかった。今後は追加解析が必要となった場合の企業との契約に使用する可能性がある。また、効率よくアノテーションを行うためにPCを含めたハードの強化に用いる可能性がある。
|
