深層学習を応用した肺癌放射線治療後の肺臓炎重症度予測と治療法最適化システムの開発

点击翻译按钮获取中文摘要

放射線肺臓炎（radiation-induced pneumonitis: RP）は，肺癌放射線治療において最も重要な有害事象の1つである。これまで，RPに関連する臨床因子および線量・体積パラメータ等について報告はされているが、患者毎にリスクを正確に予測し治療法の最適化に反映することは困難であった。昨年度までは、早期肺癌に対する定位放射線療法(SBRT)を対象にラディオミクスベースのRP予測モデルを構築しその有用性の報告とともにDeep convolutional neural network (DCNN)モデル等も用いた予測精度向上に関する報告を行ってきた。今年度はCT画像特徴量と血清バイオマーカーを組合せることによって更に予測精度の向上が得られるか検討した。早期非小細胞肺癌のSABR症例272例の治療計画CT画像から抽出したトポロジーベースのBetti number (BN) 画像特徴量と血中の間質性肺炎マーカーの１つである血清KL-6を組合せて学習させたsupport vector machine（SVM）モデルを使ってRP発生の予測精度をBNベースの画像特徴量や従来法などの他モデルベースの画像特徴量のみを用いた場合と比較することにより検討した。その結果、BNベース画像特徴量と血清KL-6を組合せたモデルが最も優れており（AUC 0.825、Accuracy 0.724）、RP発症予測に有用と考えられた。また、SBRTで治療を行った早期非小細胞肺癌125例を対象に、治療後の再発（局所領域再発、遠隔転移）に関連する治療計画CTの画像特徴量の同定とそのリスク予測可能性に関する研究を行い、CT画像特徴量を用いることによりSBRT後の再発リスクを予測可能であることが示唆されるとともに、トポロジーベースの画像特徴量は予測精度を向上させる上で有用と考えられた。