非喫煙者肺がんの深層学習によるゲノム特徴解析

科学分野:

• 計算病理学
• 腫瘍学
• バイオインフォマティクス

背景:

• 深層学習は、全スライド画像（WSI）から遺伝学的特徴を推論する可能性を示しています。
• 非喫煙者の肺腺癌（NS-LUAD）は分子的に異なりますが、現在の深層学習モデルでは十分に研究されていません。
• 既存のモデルは、喫煙者集団に焦点を当てることが多く、分子範囲が限られ、パフォーマンスも様々です。

研究 の 目的:

• H&E染色されたWSIにおけるNS-LUADの分子変化のマルチラベル分類のためのカスタマイズされた深層畳み込みニューラルネットワークを開発および検証すること。
• 変異、増幅、融合、コピー数変化を含む16の分子変化の同時予測を可能にすること。
• 予測精度を維持しながら、計算複雑性を低減するようにモデルを最適化すること。

主な方法:

• アーキテクチャの変更（単純化された残差ブロック、選択的ショートカット、シグモイド分類ヘッド）を施したResNet50ベースの深層畳み込みニューラルネットワークを開発しました。
• Sherlock-Lung研究からの495のWSIを使用して、70％のトレーニング、10％の内部テスト、30％の保持検証セット分割でモデルをトレーニングおよび評価しました。
• 16の分子特徴の予測のための受信者操作特性曲線下面積（AUROC）を使用してパフォーマンスを評価しました。

主要な成果:

• モデルは、EGFR、KRAS、TP53変異、ALK融合を含む11の特徴について高いAUROC値（0.84-0.93）を達成しました。
• 腫瘍変異量（AUROC=0.67）およびKRASホットスポット変異（例：p.G12C：AUROC=0.74）のパフォーマンスは中程度でした。
• カスタマイズされたモデルは、同じデータセットにおいてInception-v3などの確立されたアーキテクチャよりもほとんどの特徴で優れたパフォーマンスを示しました。

結論:

• 開発された深層学習モデルは、WSIから直接NS-LUADの分子変化を予測する上で significant な可能性を示しています。
• このアプローチは、分子検査のトリアージを容易にし、非喫煙者肺がん患者の個別化治療戦略に情報を提供する可能性があります。
• さらなる最適化により、NS-LUADの臨床的意思決定における有用性が向上する可能性があります。