腫瘍の悪性度分類および治療効果予測のためのセンサー指向型マルチモーダル医療データ取得・モデリングフレームワーク

科学分野:

• 腫瘍学
• 医用画像処理
• 機械学習

背景:

• プレシジョン・オンコロジーは、マルチモーダルデータを用いた腫瘍悪性度分類と治療効果の同時モデリングを必要とします。
• 現在の方法は、しばしば侵襲的な悪性度分類に依存し、マルチモーダル融合における構造的制約を欠いています。
• 悪性度分類と治療効果の独立したモデリングは、臨床的有用性を制限します。

研究 の 目的:

• 統合された非侵襲的な腫瘍悪性度分類および治療効果予測のためのグレードガイド付きマルチモーダル協調モデリングフレームワークを開発すること。
• プレシジョン・オンコロジーのための解釈可能なメカニズム分析を可能にすること。
• 既存のアプローチの限界に対処することにより、臨床的意思決定を改善すること。

主な方法:

• マルチモーダル特徴融合と治療効果モデリングのために深層学習モデル（3D ResNet-18、MLP、CNN-Transformer）を利用しました。
• グレードガイド付き特徴融合メカニズムを組み込み、識別情報に焦点を当てました。
• 統一されたフレームワーク内で、腫瘍悪性度分類を弱教師あり事前情報として組み込みました。

主要な成果:

• 病理学的分類と一致して、腫瘍悪性度予測で84.6%の精度と0.81のkappaを達成しました。; 治療効果予測で0.85のAUC、0.81の精度、0.79の再現率を達成し、既存のモデルを上回りました。; 安定した治療感受性および抵抗性サブタイプを特定し、有意な層別化の違いを示しました。

結論:

• 提案されたフレームワークは、非侵襲的な悪性度分類と治療効果予測のための統合ソリューションを提供します。
• 腫瘍学における臨床リスク評価と個別化治療意思決定の可能性を示しました。
• がん治療の改善のために、グレードガイド付きマルチモーダル融合の価値を検証しました。