機械学習を用いた画像誘導治療治療に対する反応を予測: 肝細胞癌における経動脈的治療の例
2018年10月10日
動注療法は、外科的切除を受けることができない肝細胞癌患者に対するケアの標準です。これらの治療法に対する応答予測手法を提案します。技術は、治療前に応答を予測できる機械学習モデルのトレーニングに、人口統計学的、臨床的および画像については事前手続きを使用します。
この方法は、動脈内療法に対する応答を予測するのに役立ちます。介入腫瘍学における機械学習アプリケーションは、画像誘導療法による肝臓癌やその他の疾患の治療方法を変えます。この方法は、2つの重要な決定が行われる方法を改善する可能性を秘めています。
一般に、このメソッドを新しく作成するユーザーは、機能を生成し、機械学習とコードを実行する必要があるため、苦労します。この方法の視覚的なデモンストレーションは、イメージングマスクを使用してそれらのフィーチャーを抽出する必要があるフィーチャー生成ステップとして重要です。モデルをトレーニングするには、適切な情報を持つ臨床的に代表的なデータセットが必要です。
このような機械学習アルゴリズムをさらに改善するには、より多くの患者データと大規模なコホートが必要になります。モデルに含める臨床機能を決定した後、適切な自然言語ツールキットを使用して、プレーンテキストのクリニックノートを文に解析し、関心のある用語を検索できるようにします。次に、各患者の特徴を、1行に1つの特徴を持つファイルに保存します。
非バイナリ機能の場合、すべての患者の各特徴の中央値を取得し、各特徴を中央値に基づいて真または偽の値として二値化します。医療画像から平均肝増強機能を計算する。肝臓を含むボクセルを分離した後、平均肝増強コマンドを入力します。
肝臓の容積の特徴を決定するには、指示に従ってコマンドを入力します。次に、各イメージング フィーチャーの中央値を計算し、実証したようにフィーチャを二値化します。フィーチャの集約と削減については、まず低分散フィーチャーを考慮から削除し、二項行列のフィーチャーを読み取る必要があります。
次に、分散しきい値モデルを使用して、レスポンダーと非応答者の両方の少なくとも 20% に現れるフィーチャを計算します。結果との一変量関連性が低い特徴を削除し、元の低変種スクリーニングに合格した機能のみをフィルタリングし、nは患者数であるn特徴を保持します。次に、表に示すように、各機能のバイナリ行列を読み取ります。
フィーチャがバイナリ化され、フィルタリングされた後、モデルをトレーニングする時間です。モデルトレーニングは、研究中の結果に機能を適合させ、新しい患者についての予測を行うために使用できる簡単なプロセスです。肝細胞癌に対するトランス動脈療法を受けた36人の患者のこの代表的な分析では、25の特徴が同定され、変異体および一変量会合フィルターの両方を満たす5つの特徴で実証されたように二値化された。
各患者は、肝臓応答基準の研究のための定量的な欧州協会の下で応答者または非応答者のいずれかとしてラベル付けされた。図示したように、ロジスティック回帰モデルとランダムフォレストモデルの両方が、この方法に従って78%の全体的な精度でトランス動脈ケミオンボル化治療応答を予測し、トレーニングモデルを適用することによって新しい患者に予測を行うことができる。この機械学習技術は、手続き前、手続き間、および手続き後のイメージングを含むあらゆる治療法に普遍的に適用できます。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
本記事では、肝細胞がん患者における肝内動脈化学塞栓療法などの経動脈的治療への反応性を予測する方法について解説します。処置前の臨床データ、人口統計学的データ、および画像データを活用することで、治療成績を予測する機械学習モデルを構築することが可能です。
研究の主要構成要素
科学分野
- インターベンショナル・オンコロジー
- 機械学習の応用
- 肝細胞癌の治療
背景
- 手術不可能な患者に対しては、動脈内治療が標準的に行われます。
- 治療反応性を予測することで、臨床的な意思決定を向上させることができます。
- モデルのトレーニングには、画像データからの特徴量生成が不可欠です。
- 効果的なモデル性能を得るためには、臨床的に代表的なデータセットが必要です。
研究の目的
- 肝動脈化学塞栓療法などの経動脈的治療に対する患者の反応予測を向上させる。
- 肝癌治療におけるより適切な臨床的意思決定を促進する。
- インターベンショナル・オンコロジーにおける機械学習の重要性を実証する。
使用された手法
- 処置前のデータ収集（臨床的、人口統計学的、画像データ）。
- 奏効予測のための機械学習モデルのトレーニング。
- 画像マスクを用いた特徴量抽出。
- モデルの精度向上のための、適切にアノテーションされたデータセットの活用。
主な結果
- 提案された手法は、治療結果の予測において有望であることが示されています。
- 機械学習は、肝がん治療へのアプローチを変革させる可能性があります。
- 特徴量生成を理解するには、視覚的なデモンストレーションが不可欠です。
- この手法を導入する際、初心者には困難が伴います。
結論
- この手法は、肝がんの治療戦略を向上させる可能性を秘めています。
- 機械学習の応用は、インターベンショナルオンコロジーに大きな影響を与える可能性があります。
- これらの予測モデルを精緻化するために、さらなる研究と開発が必要です。
よくある質問
産業上の重要性
介入前に治療反応を予測することは、腫瘍学における薬剤開発の極めて重要な課題である、有効性の欠如による臨床後期段階での失敗を減らすことへの解決策となります。データ駆動型の患者層別化およびgo/no-go判断を可能にすることで、この機械学習フレームワークはメカニズム的なリスク低減をサポートし、初期探索における予測の信頼性を向上させます。画像誘導治療への適用可能性により、腫瘍学のさまざまなモダリティにわたって有用性が広がり、ポートフォリオレベルでのリスク調整済み優先順位付けが強化されます。
バイオ医薬品研究開発における戦略的応用
初期創薬およびターゲットバリデーション
- 科学的価値：ベースラインの特徴と治療反応を関連付けることで治療仮説の検証を支援し、どの患者サブグループが最も利益を得る可能性が高いかを明らかにします。
- 運用的価値：臨床結果および画像診断結果のレトロスペクティブ解析を通じて機能的なターゲットバリデーションを可能にし、初期段階のプログラムにおけるメカニズムの曖昧さを軽減します。
- 予測的価値：非反応者を早期に特定することでポートフォリオの選別を改善し、成功確率の高い適応症へのリソース再配分を可能にします。
スクリーニングおよびアッセイ開発
- 科学的価値：再現可能な特徴量と応答の関係を確立することにより、後続のワークフローに向けた検証済みの生物学的および臨床的システムを構築します。
- 運用的価値：二値化された特徴抽出およびクロスバリデーションプロトコルを通じて、アッセイの標準化とスケーラビリティを促進します。
- スクリーニングへの適合性：定量的出力（予測精度や特徴量の重要度など）を生成し、前臨床モデルにおける信頼性の高い化合物や介入の評価を可能にします。
トランスレーショナル・前臨床研究
- トランスレーショナルな連続性：臨床由来のバイオマーカーを用いてモデル学習に反映させることで、探索段階の特徴同定を前臨床検証へと結びつけます。
- リスク調整済み推進：予測の信頼性を定量化することで、コストのかかる前臨床試験の前に生物学的リスクを低減し、Go/No-go判断を支援します。
- メカニズムによるリスク低減：メカニズムのみならず予測価値に重点を置くことで、オンコロジーパイプラインにおけるトランスレーショナルバイオマーカー戦略と整合させます。
パイプラインおよびワークフローの統合
本手法は、ターゲットのバリデーションからリード化合物の同定、そして前臨床薬効試験に至る創薬の連続的なプロセスに適合するものであり、特に画像誘導下送達を伴う腫瘍学的な治療法に適しています。
- 探索生物学：どのベースラインの臨床的および画像的特徴が治療反応と相関するかを特定することで仮説検証をサポートし、患者選択基準を明確にします。
- スクリーニング：標準化された特徴抽出と二値化によりアッセイの準備を可能にし、施設間およびモデル間での再現性を向上させます。
- アナリティクス：予測精度（本研究では78%）や特徴選択メトリクスなどの定量的出力を提供し、介入条件の客観的な比較を可能にします。
- トランスレーショナルリサーチ：確立された基準（例：EASL）から導出された反応ラベルを使用することで前臨床の連続性を確保し、モデルの出力を臨床的に関連のあるエンドポイントと一致させます。
- エンタープライズ再利用：特徴量エンジニアリングとモデル平均化のアプローチを、肝細胞癌以外の適応症や画像誘導治療にも適用可能な再利用可能な機能として構築します。
運用および企業への影響
- 科学的価値： 個々の事例に基づく反応データへの依存を減らし、データ駆動型の患者層別化を可能にすることで、ターゲットバリデーションにおける予測の信頼性を向上させます。
- 運用的価値： 標準化された特徴抽出、バイナリ化、およびleave-one-out交差検証を通じて、再現性と拡張性を高めます。
- 戦略的価値： go/no-go判断の質を向上させ、オンコロジーポートフォリオにおける資本効率の改善と後期段階の生物学的リスクの低減をもたらします。
- ポートフォリオへの影響： 予測反応確率の高い適応症やサブグループを特定することで、リスク調整後の優先順位付けを可能にし、より合理的な開発推進の意思決定を支援します。
実施上の検討事項
- 臨床データのキュレーション、特徴量エンジニアリング、および機械学習モデルのトレーニングと検証における専門知識が必要です。
- 画像、人口統計学的データ、およびアウトカムデータがペアとなった、適切にアノテーション済みの臨床的に代表的なデータセットへのアクセスに依存します。
- モデルの汎用性を確保するために、特徴量の定義および二値化しきい値におけるチーム間の標準化が必要です。
- 本フレームワークを異なるモデルシステムや画像モダリティに適用する場合、適応に関する検討が必要となります。
- 画像や臨床ノートから特徴量を抽出するための手作業による労力が限界となっており、自動化が進まない場合はスケーラビリティが制限される可能性があります。
