前立腺がんにおける深層学習ベースのマルチモーダル臨床病理ゲノム予後モデル

科学分野:

• 腫瘍学;計算病理学;バイオインフォマティクス

背景:

• 前立腺がんはがんによる死亡の主な原因です。現在のリスク層別化システムは、多次元の腫瘍特性の統合が不足しています。個別化された治療的意思決定のための予後モデルの改善が必要です。

研究 の 目的:

• 前立腺がんのための深層学習ベースのマルチモーダル予後モデルを開発すること。ゲノムシグネチャ、全スライド画像（WSI）の組織形態学的特徴、および臨床パラメータを統合すること。前立腺がん患者のリスク層別化と治療的意思決定を改善すること。

主な方法:

• The Cancer Genome Atlas（TCGA）をトレーニングに使用し、Prostate, Lung, Colorectal and Ovarian（PLCO）トライアルを検証に使用して、深層学習フレームワークを開発しました。このモデルは、H&E染色WSIから組織病理学的特徴を抽出し、ゲノムおよび組織病理学的スコアを予測し、それらを臨床変数と統合するためにCox回帰を使用しました。パフォーマンスは、Kaplan-Meier分析、Harrellの適合指数、および多変量Cox回帰を使用して評価されました。

主要な成果:

• マルチモーダル予後スコアは、単一モダリティスコアおよびNCCNリスク層別化（C指数：0.706-0.746、p < 0.05）と比較して、優れた精度（C指数：0.774）を示しました。モデルによって特定された高リスク患者は、有意に短い無進行生存期間と増加した前立腺がん特異的死亡率を示しました。サブグループ分析では、NCCN高リスク患者内の異なる生存軌跡が明らかになり、遺伝子セット濃縮は腫瘍経路とスコアを関連付けました。

結論:

• 統合モデルは、組織病理学からゲノム特徴量を計算論的に推測し、ゲノム検査への依存を減らします。このアプローチは、予後精度を大幅に向上させ、異種患者集団を層別化します。予後スコアは、NCCN分類を改善することにより、個別化されたリスク評価と最適化された治療戦略のための臨床的可能性を提供します。