深層学習による肺癌の予後予測情報を活用した個別化放射線治療支援システムの開発

本研究は医の倫理委員会の承認を得ている.今年度は，「i)Radiomics特徴量に基づく予後予測」，「ii)深層学習に基づく予後予測」について研究を行なった．i)については，定位放射線治療(以下，SBRT)を施行した非小細胞肺癌患者を対象とした．評価する臨床転帰を局所再発・遠隔転移とした．CT画像よりRadiomics特徴量を抽出した後，特徴量の頑強性・冗長性に基づき特徴量選択を行なった．その後，臨床転帰と関係性の高い特徴量を選択し，機械学習アルゴリズムに基づき，モデルを作成した．モデルは，臨床因子(年齢，性別，BMI等)のみを入力した「臨床モデル」，Radiomics特徴量のみを入力した「画像モデル」，両者を入力した「混合モデル」を構築した．予測精度を示すC統計量，及び，リスク分類による累積発生率の差は混合モデルが最も大きかった．機械学習内の特徴量重要度はどの臨床因子よりも2つRadiomics特徴量が高いかった．ii)については，i)で使用した患者のうち，観察期間が2年以上を対象とした．全患者を無作為に学習群とテスト群に分割した．腫瘍を中心にCT画像を10 cm角に切り出し，データ拡張を行った．3D-CNNは，畳み込み層と最大プーリング層を有する単純構造とした．学習群で5分割交差検証を適用し，テスト群に対してROC曲線下面積(AUC)を評価した．また，axial断面のみを用いたモデル(2Dax-CNN)，axial, coronal, sagittal断面を用いたモデル(2Dconc-CNN)を構築した．更に，学習群でLightGBMを用いた臨床モデル及びRadiomicsモデルを構築し，3D-CNNモデルと同様の解析を行った．一方，3D-CNNに基づく2年時点の遠隔転移の予測能は， Radiomicsモデルより低く，2Dconc-CNNと同等であった．

本研究は医の倫理委員会の承認を得ている.今年度は，「i)Radiomics特徴量に基づく予後予測」，「ii)深層学習に基づく予後予測」について研究を行なった．i)については，定位放射線治療(以下，SBRT)を施行した非小細胞肺癌患者を対象とした．評価する臨床転帰を局所再発・遠隔転移とした．CT画像よりRadiomics特徴量を抽出した後，特徴量の頑強性・冗長性に基づき特徴量選択を行なった．その後，臨床転帰と関係性の高い特徴量を選択し，機械学習アルゴリズムに基づき，モデルを作成した．モデルは，臨床因子(年齢，性別，BMI等)のみを入力した「臨床モデル」，Radiomics特徴量のみを入力した「画像モデル」，両者を入力した「混合モデル」を構築した．予測精度を示すC統計量，及び，リスク分類による累積発生率の差は混合モデルが最も大きかった．機械学習内の特徴量重要度はどの臨床因子よりも2つRadiomics特徴量が高いかった．ii)については，i)で使用した患者のうち，観察期間が2年以上を対象とした．全患者を無作為に学習群とテスト群に分割した．腫瘍を中心にCT画像を10 cm角に切り出し，データ拡張を行った．3D-CNNは，畳み込み層と最大プーリング層を有する単純構造とした．学習群で5分割交差検証を適用し，テスト群に対してROC曲線下面積(AUC)を評価した．また，axial断面のみを用いたモデル(2Dax-CNN)，axial, coronal, sagittal断面を用いたモデル(2Dconc-CNN)を構築した．更に，学習群でLightGBMを用いた臨床モデル及びRadiomicsモデルを構築し，3D-CNNモデルと同様の解析を行った．一方，3D-CNNに基づく2年時点の遠隔転移の予測能は， Radiomicsモデルより低く，2Dconc-CNNと同等であった．