ディープ・ラーニングを用いた非喫煙者の肺がんのゲノム解析

科学分野:

• コンピューター病理学とバイオインフォマティクス
• 腫瘍学における人工知能
• 分子診断

背景:

• ディープラーニングは,全スライド画像 (WSIs) から遺伝的特徴を推論する可能性を示しています.
• 非喫煙者の肺腺がん (NS-LUAD) にこれらの方法を適用する研究は限られているが,これは別のがんのサブセットである.
• 既存のモデルは 限られた分子範囲と変数性能を持つ喫煙者集団に焦点を当てています

研究 の 目的:

• NS-LUADのマルチラベル分類のためのカスタマイズされた深層コンボリューションニューラルネットワークの開発と検証.
• H&Eで染色されたWSIから直接 16の分子変異の同時予測を可能にします.
• 予測精度を維持しながら,計算の複雑さを減らすためにモデルを最適化します.

主な方法:

• マルチラベル分類のためのアーキテクチャの修正でカスタマイズされたResNet50ベースの深部コンボリューションニューラルネットワークが設計されました.
• モデルには,簡素化された残留ブロック,選択的ショートカット接続,シグモイドベースの分類ヘッドが含まれています.
• 訓練と評価は,シャーロック・リュング研究からの495のWSIで,10倍クロス検証と,保持された検証セットを使用して行われました.

主要な成果:

• このモデルは,EGFR変異,KRAS変異,TP53変異,RBM10変異,MDM2増幅,カテギス,CDKN2A消去,ALK融合,全ゲノム倍増を含む11の分子特性の高いAUROC値を達成した.
• 腫瘍変異負荷 (AUROC=0. 67),APOBECシグネチャー (AUROC=0. 57) および特定のKRASホットスポット変異 (p. G12C:AUROC=0. 74,p. G12V:AUROC=0. 55,p.
• 提案されたモデルは,Inception-v3のような確立されたアーキテクチャと比較して,ほとんどの機能で大幅にパフォーマンスを改善しました.

結論:

• 開発されたディープラーニングモデルは,WSIからのNS-LUADの複数の分子変化を効果的に予測します.
• このアプローチは,分子検査のための患者の分類を改善する可能性を秘めています.
• NS- LUAD患者の精度の高い治療戦略につながる可能性もあります.