関連する実験動画
Updated: May 7, 2026
03:36
Development of Compendium for Esophageal Squamous Cell Carcinoma
Published on: April 12, 2024
528
オンコメット (OncoMet) は,原発性腫瘍のヒト病理画像を用いた食道がん患者の腫瘍信号伝達経路と転移の予測のためのディープラーニングフレームワークである
Syed Wajid Aalam1,2, Abdul Basit Ahanger1, Tabasum Majeed3
1Department of Computer Science, Islamic University of Science and Technology (IUST), Awantipora, Kashmir, India.
Journal of translational medicine
|August 22, 2025
まとめ
ディープラーニングモデルでは H&E スライドから食道癌の転移や 腫瘍発生経路の緩和を予測できます このアプローチはスライドレベルのアノテーションを用いており, 精密医療の高速で費用対効果の高い代替手段を提供します.
科学分野:
- デジタル病理学
- コンピュータによる腫瘍学
- 医療における人工知能
背景:
- 食道がん (EC) は,診断の進歩にもかかわらず,がんによる死亡の主な原因です.
- 転移と腫瘍学的経路の緩和を予測することは,ECの精密医療と標的治療において極めて重要です.
- これらの予測のための現在の分子テストは 時間とコストがかかります
研究 の 目的:
- 転移の可能性を予測し,ECにおける規制解除された腫瘍性シグナル伝達経路を特定するためのディープラーニングモデルを開発する.
- デジタル病理画像を用いたEC診断とリスクの階層化を自動化し改善する.
- 費用対効果が高く,迅速な診断方法を確立する.
主な方法:
- 癌ゲノムアトラス (TCGA) の高解像度H&E染色した全スライド画像 (WSI) を利用した.
- 前処理されたWSIには,パッチング,色正規化,拡張が含まれていました.
- WSIデータとスライドレベルのラベルで深層学習モデルを訓練し,転移リスクと経路の規制緩和 (mTOR,PTEN,p53,PI3K/AKT) を予測しました.
主要な成果:
- 転移リスクを予測するAUCは0. 92に達した.
- 規制解除された腫瘍的経路を特定するために得られたAUCは0. 64から0. 92です.
- スライドレベルのアノテーションのみを使用してモデルをうまく操作し,パッチレベルのアノテーションの必要性を排除しました.
結論:
- ディープラーニングは,転移を正確に検出し,スライドレベルのアノテーションを使用してH&Eスライドから規制解除された腫瘍学的経路を特定できます.
- このアプローチは,ECの精密医療とターゲティングセラピーの進歩に変革をもたらす可能性を秘めています.
- この発見により 癌の診断とリスクの階層化が 自動化され 改善される新たな道が開かれています
