Construction of Deep Learning Model for Determining Histological Treatment Effect after Neoadjuvant Therapy of Lung Cancer

本検討は，術前補助療法（ネオアジュバント療法：以下NAC）後切除された非小細胞肺癌症例の治療効果判定に関して，デジタル化された切除病理組織材料（Whole slide image: WSI化）を用い，人工知能（特に深層学習）モデルを構築，その標準化をめざすことを目標としている。初年度はNAC後非小細胞肺癌切除症例を抽出し，パイロットスタディとして単一症例での人工知能モデル（CNNモデル）の構築のためのアノテーション作業（3クラス：非腫瘍成分，腫瘍床，残存腫瘍成分），およびネットワークとしてResNet50を用い評価を行った。結果，感度はそれぞれ0.92, 0.86, 0.82と比較的良好な結果が得られた。当該年度は，初年度の検討を踏まえ，対象となる申請者の施設におけるNAC後非小細胞肺癌切除症例を全例抽出，学習症例とテスト症例にわけ，学習症例に関しては腫瘍床となるHE染色染色スライドを抽出，デジタル化した。同学習症例には，病理医が初年度同様，3クラスでのアノテーション作業を行った。また，ネットワークとしては，申請者らが構築したより病理診断に適したネットワーク（適応的重み付けマルチスケールパッチモデル）を用いた。結果，学習症例では，病理医の判定した結果に対して，構築したCNNモデルは非常に精度高く，ROC曲線におけるAUC0．9以上を持って，3クラスを判定することができた。次に，テスト症例を用いて，CNNモデルによる判定結果を算出，別途評価した病理医の判定との対比を行った。ここでも，十分な精度をもって，病理医の判定と一致していることが判明した。最後に，構築したCNNモデルにてMPR（Major Pathological Response）に達した症例と達していない症例を分け再発予後について検討したところ，統計的に有意な差を持って予後が推定されることが示された。

本検討は，術前補助療法（ネオアジュバント療法：以下NAC）後切除された非小細胞肺癌症例の治療効果判定に関して，デジタル化された切除病理組織材料（Whole slide image: WSI化）を用い，人工知能（特に深層学習）モデルを構築，その標準化をめざすことを目標としている。初年度はNAC後非小細胞肺癌切除症例を抽出し，パイロットスタディとして単一症例での人工知能モデル（CNNモデル）の構築のためのアノテーション作業（3クラス：非腫瘍成分，腫瘍床，残存腫瘍成分），およびネットワークとしてResNet50を用い評価を行った。結果，感度はそれぞれ0.92, 0.86, 0.82と比較的良好な結果が得られた。当該年度は，初年度の検討を踏まえ，対象となる申請者の施設におけるNAC後非小細胞肺癌切除症例を全例抽出，学習症例とテスト症例にわけ，学習症例に関しては腫瘍床となるHE染色染色スライドを抽出，デジタル化した。同学習症例には，病理医が初年度同様，3クラスでのアノテーション作業を行った。また，ネットワークとしては，申請者らが構築したより病理診断に適したネットワーク（適応的重み付けマルチスケールパッチモデル）を用いた。結果，学習症例では，病理医の判定した結果に対して，構築したCNNモデルは非常に精度高く，ROC曲線におけるAUC0．9以上を持って，3クラスを判定することができた。次に，テスト症例を用いて，CNNモデルによる判定結果を算出，別途評価した病理医の判定との対比を行った。ここでも，十分な精度をもって，病理医の判定と一致していることが判明した。最後に，構築したCNNモデルにてMPR（Major Pathological Response）に達した症例と達していない症例を分け再発予後について検討したところ，統計的に有意な差を持って予後が推定されることが示された。