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

利用深度学习的肺癌预后预测信息开发个性化放射治疗支持系统

• 批准号: 19J14339
• 负责人: 柿野 諒
• 金额: $ 1.34万
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2019
• 资助国家: 日本
• 起止时间: 2019-04-25 至 2021-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-19J14339/
• 关键词: Radiomics; 深層学習; 予後予測; 機械学習; 肺SBRT; 医学物理学

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．

This study は medical の ethics committee の recognise を て い る. Our は ", "I) Radiomics 徴 quantity に base づ く to be after", "ii) deep learning に づ く to be" after に つ い て を line な っ た. i)に に に て て て て, targeted radiotherapy (hereinafter, SBRT)を performed on と た non-small cell lung cancer patients を pairs と た. Comment: 価する Clinical 転帰を recurrence of the local site, distant 転 shift と と た. After extracting the を た of the Radiomics characteristic quantities of the CT image, the characteristic quantities of the tenacity and verbosity に basis づ the <s:2> characteristic quantity is selected from the 択を row なった. そ の after clinical planning 帰 と masato is sexual の high い te 徴 を sentaku し, rote learning ア ル ゴ リ ズ ム に base づ き, モ デ ル を made し た. モ デ ル は, clinical factors (such as years 齢, gender, BMI) の み を し into force た "clinical モ デ ル", Radiomics, 徴 quantity の み を し into force た "portrait モ デ ル", who struck を し into force た "hybrid モ デ ル" を build し た. The pretest accuracy を indicates the すC statistic, and び, リス <s:1> classification による cumulative occurrence rate <s:1> difference <s:1> mixed モデ モデ が が maximum <s:1> った った った. The importance of <s:1> characteristic quantities in machine learning, <s:1> <s:1> clinical factors, よ よ 2 が Radiomics characteristic quantities, が, is high, and った った are high. Ii) に つ い て は, I) use で し た patients の う ち, 観 examine が 2 years during を like と seaborne し た. All patients を inaction に learning groups とテスト groups に segmentation <s:1> た. The にCT image of the を center of the ulcer を10 cm Angle に incision に shows を, デ タ拡 タ拡 タ拡 を った った った った った った った った った った った った った った った った った った 3 d - CNN は 畳 み 込 み layer と biggest プ ー リ ン グ を have す る 単 pure tectonic と し た. Study group of で 5 job card 検 を applicable し segmentation, テ ス ト group に し seaborne て area under ROC curve (AUC) を review 価 し た. ま た, axial section の み を with い た モ デ ル dax (2 - CNN), axial, coronal and sagittal section を with い た モ デ ル (2 dconc - CNN) を build し た. に more, learning group で LightGBM を with い た clinical モ デ ル and び Radiomics モ デ ル を し, 3 d - CNN モ デ ル と with others in line analytical を の っ た. On one side, 3D-CNNに base づく 2-year time point <s:1> distant 転 shift <s:1> pre-measured energy であった, Radiomicsモデ よ よ <s:1> low く, 2Dconc-CNNと equivalent であった.

项目成果

Prognostic prediction based on diagnostic CT image features before SBRT for lung cancer patients: a retrospective single-institutional study

肺癌患者 SBRT 前基于诊断 CT 图像特征的预后预测：一项回顾性单机构研究

• 发表时间: 2019
• 作者: Ryo Kakino;Mitsuhiro Nakamura;Takamasa Mitsuyoshi;Takashi Shintani;Hideaki Hirashima;Yukinori Matsuo and Takashi Mizowaki
• 通讯作者: Yukinori Matsuo and Takashi Mizowaki

Prognostic prediction for lung stereotactic body radiotherapy by using breath-hold CT-based radiomic features with random survival forest: A multi-institutional study

使用基于屏气 CT 的放射组学特征和随机生存森林来预测肺部立体定向放射治疗的预后：一项多机构研究

• 发表时间: 2020
• 作者: Ryo Kakino;Mitsuhiro Nakamura;Takamasa Mitsuyoshi;Takashi Shintani;Masaki Kokubo;Yoshiharu Negoro;Masato Fushiki;Masakazu Ogura;Satoshi Itasaka;Chikako Yamauchi;Shuji Otsu;Takashi Sakamoto;Masato Sakamoto;Norio Araki;Hideaki Hirashima;Takan
• 通讯作者: Takan

Development of neutron-shielding filter for reducing cardiac implantable electronic device malfunction

开发中子屏蔽过滤器以减少心脏植入电子设备故障

• 发表时间: 2020
• 作者: Ryo Kakino;Mitsuhiro Nakamura;Naonori Ko;Hiraku Iramina;Yoshinori Sakurai;Hiroki Tanaka;Takashi Mizowaki
• 通讯作者: Takashi Mizowaki

Improving prognostic prediction for lung cancer patients who underwent SBRT using breath-hold diagnostic CT-based image features: a retrospective single institutional study

使用基于屏气诊断 CT 的图像特征改善接受 SBRT 的肺癌患者的预后预测：一项回顾性单一机构研究

• 发表时间: 2019
• 作者: Ryo Kakino;Mitsuhiro Nakamura;Takamasa Mitsuyoshi;Takashi Shintani;Hideaki Hirashima;Yukinori Matsuo and Takashi Mizowaki
• 通讯作者: Yukinori Matsuo and Takashi Mizowaki

3D-CNNに基づく肺SBRT後の遠隔転移予測に関する多施設共同研究

基于3D-CNN的肺SBRT术后远处转移预测的多中心协作研究

• 发表时间: 2020
• 作者: 柿野 諒;中村 光宏;光吉 隆真;新谷 尭;小久保 雅樹;根来 慶春，伏木 雅人，小倉 昌和，板坂 聡，山内 智香子，大津 修二，坂本 隆吏，坂本 匡人，荒木 則雄，松尾 幸憲;溝脇 尚志
• 通讯作者: 溝脇 尚志