メタ予測学:臨床病理学,放射線学,有機学データを用いて手術後の非小細胞肺がんの再発を予測する包括的なアプローチ

科学分野:

• 腫瘍学
• 医療用イメージング
• 人工知能

背景:

• 非小細胞肺がん (NSCLC) は,個別化された治療を必要とする多様な特徴を示します.
• 現在のバイオマーカーは,NSCLCの包括的な理解を限定しています.
• 画像と臨床データを含む複数のデータソースを統合することで,改善された予測のための総合的な病気の見方を提供できます.

研究 の 目的:

• NSCLCにおける手術後の再発を予測するためのMetaPredictomicsフレームワークを開発し,検証する.
• 臨床病理学的データを,原発腫瘍および周辺臓器からのPET/CT放射学 ("有機学") と統合する.
• 個々のデータソースと比較した統合モデルのパフォーマンスを評価する.

主な方法:

• ディープラーニングモデルは145人のNSCLC患者のPET/CTスキャンから19の臓器を分割した.
• PyRadiomicsを用いて腫瘍総容量 (GTV) と分断された臓器から放射性特性を抽出しました.
• 臨床病理学的データ,GTV放射学,およびオーガノミクスは,第一レベルの予測モデルを構築するために使用され,そのアウトプットはスタックされたアンサンブルメタモデルに結合されました.

主要な成果:

• 臨床病理学およびGTV放射学モデルは,高い性能を示した (C指数はそれぞれ0. 67および0. 65).
• 肺全体と大動脈の有機学的モデルも良好でした (C指数は0. 65).
• メタモデルは,0.703と0.731の間のC指数を達成し,最初のレベルモデルを大幅に上回りました.

結論:

• 様々な臓器からの医療画像データを最大化することで,NSCLCの再発予測が向上します.
• マルチソース統合は,臨床病理学的データと腫瘍放射線学と有機学を組み合わせることで,再発の予測を大幅に改善します.
• MetaPredictomicsの枠組みは,NSCLCの予後における総合的なアプローチの価値を示しています.