臨床情報プロンプト統合によるがん予後予測のためのマルチモーダル深層学習

科学分野:

• 腫瘍学
• バイオインフォマティクス
• 医用画像処理

背景:

• がんの正確ながん生存率予測は、治療計画と有効性評価に不可欠である。
• 腫瘍の不均一性は、正確な予後評価に大きな課題をもたらす。
• 画像、ゲノミクス、臨床データを統合するマルチモーダル学習は、がん予後において有望である。

研究 の 目的:

• がん予後を強化するための統合モデルSurvPGCを開発する。
• 画像およびゲノムデータとともに、十分に活用されていない臨床記録を効果的に組み込む。
• マルチモーダルデータを利用してがん生存率予測の精度を向上させる。

主な方法:

• 病理画像、ゲノムデータ、臨床記録を統合したSurvPGCモデルを提案した。
• テキストテンプレートと基盤モデルを使用して臨床情報を高次元ベクトルに変換した。
• 多様なデータモダリティの効果的な統合のためにクロスアテンションモジュールを利用した。

主要な成果:

• SurvPGCモデルは、データセット全体にわたるモダリティ固有の特徴を効果的に捉えることを実証した。
• 注意機構の可視化により、異なるデータタイプで異なる焦点領域が明らかになり、効果的な特徴統合が示唆された。
• 3つのThe Cancer Genome Atlasデータセットでの検証により、モデルのパフォーマンスが確認された。

結論:

• 臨床記録を含む多様なデータソースを統合することで、がん生存率予測が大幅に向上する。
• SurvPGCモデルは、マルチモーダルがん予後のための堅牢なフレームワークを提供する。
• 予後精度の向上における臨床情報の重要な役割を強調する。