組織病理学的画像を用いた肝細胞癌の予後層別化のためのディープラーニングの活用

肝細胞癌（HCC）は、最も一般的かつ致死率の高い悪性腫瘍の一つであり、その予後予測は特に困難である。がんの予後評価において、組織病理学的バイオマーカーは極めて重要である。人工知能（AI）の進歩により、ディープラーニングを用いて全スライド病理画像からの情報の分類および検出を自動化することが可能となった。本研究は、AIディープラーニングを活用してHCC患者の組織病理学的スライドを解析し、予後層別化を行うことで、臨床的な治療計画の策定を支援することを目的とする。

大津の二値化法を用いて、2つのHCCデータセット（The Cancer Genome Atlas (TCGA) および Ansteel General Hospital の HCC スライド）から全スライド画像 (WSI) を自動的にセグメント化した。事前学習済み CONCH モデルによって抽出された WSI の病理学的特徴をモデルの入力として利用した。モデルの性能は、受信者動作特性曲線下面積 (AUROC) およびその他の指標を用いて評価した。次に、解釈性を分析するために Attention ヒートマップ可視化を用いた。コルモゴロフ・スミルノフ曲線を用いて、患者を異なるリスクグループに層別化した。生存分析を行い、異なるリスクグループ間における全生存期間の差を評価した。単変量および多変量 Cox 回帰分析を用いて、重要な臨床指標および病理学的特徴を、有意な予測因子として特定した。riskRegression パッケージを用いて、予測生存期間と観察生存期間を比較するキャリブレーション曲線を作成した。キャリブレーション曲線により、モデルが予測した確率と実際に観察された結果との乖離を定量化した。

TCGAデータセットに基づいたCLAMセルフアテンションフレームワークを用いて予後予測モデルを構築し、独自のデータセットから得られた組織染色スライドデータを用いてその汎化能を検証した。その結果、本モデルはより優れた移行性を達成することが示された。死亡率は、リスクグループの上昇に伴い漸増した。このリスク層別化システムは、治療法の選択を導く上で臨床的な有用性を有している。作成されたフォレストプロットにより、このリスク層別化システムがHCCの独立した予後予測因子として機能することが示された。キャリブレーション曲線分析によりモデルの予測精度が確認され、さらに決定曲線分析（Decision Curve Analysis）の結果から、臨床的意思決定を導く上での優れた有用性が強調された。

本研究では予後予測モデルを構築した。このモデルによるリスク層別化は、肝細胞癌（HCC）における独立した予後予測因子となり得るとともに、治療方針決定の指針となる可能性がある。