PET/CT画像を用いた免疫チェックポイント阻害薬の高精度な治療予測モデルの開発

使用 PET/CT 图像开发免疫检查点抑制剂的高精度治疗预测模型

• 批准号: 22K15855
• 负责人: 中本 隆介
• 金额: $ 1.75万
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Early-Career Scientists
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-22K15855/
• 关键词: PET; CT; 筋肉量; サルコペニア; がん免疫療法; 免疫チェックポイント阻害剤; PET/CT; FDG

がん免疫療法を含むあらゆる治療に抵抗性を示すがん悪液質/サルコペニアの評価基準である骨格筋量を正確に計測することは重要である。そこで、[18F] FDG PET/CTデータのCT画像を用いて筋肉を自動的に領域分割する深層学習モデルを開発することとした。2017年1月1日から2022年4月30日の間に京都大学医学部附属病院 先制医療・生活習慣病研究センターでPET/CTが撮像された健常者のPET/CTデータのうちCTデータを一定数乱数表を用いてランダムに抽出。抽出したCTデータを先制医療・生活習慣病研究センターの解析用デスクトップパソコンに取り込んで、CT画像の筋肉領域(抗重力筋)のピクセルのラベル付けを専用のソフトウェアを用いて手動で行い、教師データを作成した。現在、深層学習モデルをpythonで構築中である。今後の予定は、構築した機械学習モデルに未使用の健常者CTデータを読み込み、筋肉の自動セグメンテーションを行っていく。適宜セグメンテーションされた領域を手動で修正し、教師データを増やし、機械学習モデルに学習させて精度を高めていく。教師データを充分量確保した後に、学習およびテストデータに分割して、モデルの性能評価を行う。モデルの性能が不十分であれば、前述の方法で学習データを増やす作業を繰り返し、モデルの精度を高めていく。当センターでは各健常者に対して生体電気インピーダンス法(InBody)を用いて筋肉量を計測している。そこで機械学習モデルと生体電気インピーダンス法(InBody)で計測された各々の筋肉量を比較・検討する。これにより機械学習モデルおよびInBodyによる筋肉量の計測結果の信頼性・問題点を併せて評価していく予定である。

がんimmunotherapyをcontaining むあらゆるtreatmentにresistantをshowすがん悪 Liquid/サルコIt is important to measure the correct amount of ribs as the basis for the evaluation of the ペニアの価.そこで, [18F] FDG PET/CT データのCT image をAutomatic domain segmentation and するdeep learning モデルをOpen 発することとした using いて muscle をautomatic domain segmentation. January 1, 2017 to April 30, 2022 Kyoto University School of Medicine Affiliated Hospital Preventive medical treatment and lifestyle-related disease research, PET/CT imaging of healthy people, PET/CT imaging of healthy people, a certain number of random numbers, and the extraction of a certain number of random numbers. Extraction of CT scans for pre-emptive medical treatment and lifestyle-related disease research, analysis of CT scans, and CT imaging Muscle field (anti-gravity tendon) のピクセルのラベルFU けを専用のソフトウェアを用いて Manual で行い, teacher データを成した. Now, we are constructing deep learning モデルをpython. From now on, we will build a machine learning machine that is not used in the future. Suitable for セグメンテーションされたfield をmanual correction し, teacher データを嗗やし, machine learning モデルにlearning させて precision を高めていく. Teacher データをadequate guarantee of した后に, learning およびテストデータにdivided して, モデルのperformance evaluation価を行う. The performance of モデルの is not very good, the method mentioned above is learning データを嗗やすjob を缲り return, and the precision of モデルの is high. When it comes to healthy people, it can be measured using the muscle mass method (InBody).そこでMechanical learning モデルと生电氰インピーダンス method (InBody)でMeasurementされた々のMuscle volumeをComparison・検 Discussionする.これによりMechanical learning of モデルおよびInBodyによるThe measurement results of muscle mass are reliable and the problem points are not determined yet.