進行非小細胞肺癌における定量的生存予測のための循環ゲノミクスに基づく解釈可能な深層学習モデル

科学分野:

• 腫瘍学
• ゲノミクス
• バイオインフォマティクス

背景:

• 正確な定量的生存予測は、進行非小細胞肺癌（NSCLC）にとって非常に重要ですが、依然として困難です。
• 単一の循環腫瘍DNA（ctDNA）分析では、全生存期間（OS）の予測力が限定的です。

研究 の 目的:

• 進行NSCLCにおける定量的生存予測のための解釈可能な深層学習モデルを開発および検証すること。
• 予後予測の改善のために、ctDNAおよび臨床病理学的特徴を含むマルチモーダルデータを統合すること。

主な方法:

• 1373人の進行NSCLC患者のデータを使用して深層学習ネットワーク（DeepSurv）をトレーニングしました。
• ctDNAの状態、細胞フリーDNA（cfDNA）濃度、および特定の変異（TP53、EGFR、PIK3CAなど）を含む特徴が組み込まれました。
• モデルのパフォーマンスは時間依存性AUCを使用して評価され、SHapley Additive exPlanations（SHAP）が解釈に使用されました。

主要な成果:

• DeepSurvモデルは、発見コホートで12ヶ月AUC 0.75を達成し、外部検証されました。
• OSの主要な予測因子には、ctDNAの状態、cfDNA濃度、年齢、およびTP53、PIK3CA、ARID1A、STK11、METの変異が含まれていました。
• DeepSurvは、患者をOSが有意に異なる低リスクグループと高リスクグループに効果的に層別化しました。

結論:

• 解釈可能なDeepSurvモデルは、進行NSCLCにおける正確な定量的生存予測とリスク層別化を可能にします。
• マルチモーダル特徴の統合は、ctDNAのような単一のバイオマーカーを超える予測力を強化します。
• このモデルは、進行NSCLC患者の個別化された意思決定をサポートします。