非小細胞肺がんにおける放射線学と臨床病理学的情報を統合した免疫療法反応の臨床的に説明可能な予測
Jhimli Mitra1, Soumya Ghose1, Rajat Thawani2
1GE HealthCare, Niskayuna, NY 12309, USA.
Cancers
|August 28, 2025
まとめ
この研究では,非小細胞肺がん (NSCLC) 患者の免疫療法反応を予測するために,マルチモダルのデータを用いて機械学習モデルを開発し,AUC 0. 83を達成しました. このモデルは,治療反応について臨床的に解釈可能な説明を提供します.
科学分野:
- 腫瘍学
- 人工知能
- 医療用イメージング
背景:
- 免疫療法,特にPD-1/PD-L1阻害剤は,非小細胞肺がん (NSCLC) の生存効果を提供します.
- 現在,NSCLCの免疫療法に対する客観的な応答率は限られている (20%の単独療法,50%の併用療法).
- PD- L1免疫ヒストケミストリー (IHC) は,免疫療法反応の不完全な予測バイオマーカーです.
研究 の 目的:
- NSCLCにおける免疫療法反応を予測するための機械学習 (ML) 方法を開発する.
- CT画像からの臨床病理学的および放射線学的特徴を含むマルチモダルのデータを統合する.
- 大型言語モデル (LLM) を使用して予測の臨床的解釈性を向上させる.
主な方法:
- 140人のNSCLC腫瘍を遡って分析した.
- 臨床病理学的および放射性バイオマーカーを含むMLモデルを開発した.
- バイオマーカー関連を表すグラフ構造を学び,説明生成のためにLLMを使用しました.
主要な成果:
- 独立したテストセット (n=84の腫瘍) で,治療応答の予測のために,曲線下の面積 (AUC) が0. 83に達した.
- 高精度で免疫療法の反応を予測するモデルの能力を実証した.
- 予測の臨床的に解釈可能な説明を成功裏に生成した.
結論:
- MLアプローチは,マルチモダルのデータを用いてNSCLCにおける免疫療法反応の予測を大幅に改善します.
- LLMで生成された説明は,予測を理解できるようにすることで,臨床的意思決定を強化します.
- この研究は,NSCLC治療におけるパーソナライズされた免疫療法のための有望なツールを提供します.


