人工ニューラルネットワーク

Scientific Reports volume 13、記事番号: 8673 (2023) この記事を引用

284 アクセス

2 オルトメトリック

メトリクスの詳細

放射線療法は、進行性食道扁平上皮癌（ESCC）患者にとって、症状の軽減と長期生存の点で利益をもたらします。対照的に、かなりの割合の ESCC 患者は放射線療法の恩恵を受けていません。この研究は、コンピュータ断層撮影の実現可能なベースライン特性と組み合わせた統合データを使用することにより、進行性ESCCの放射線療法反応の治療前予測のための人工ニューラルネットワークベースのラジオミクスモデルを確立し、検証することを目的としました。ベースラインCTを受け放射線療法を受けた進行性ESCC患者計248人がこの研究に登録され、機械学習とディープラーニングの2種類のラジオミクスモデルで解析された。その結果、Att. Resnet50 事前トレーニング済みネットワークモデルは、トレーニングコホート、内部検証コホート、および外部検証コホートにおける AUC がそれぞれ 0.876、0.802、0.732 という優れたパフォーマンスを示しました。同様に、私たちの Att. Resnet50 事前トレーニング済みネットワークモデルは、C インデックスと決定曲線分析によると、優れたキャリブレーションと顕著な臨床上の利点を示しました。ここでは、深層学習法に基づいて新しい治療前ラジオミクスモデルが確立され、進行性ESCC患者における放射線療法反応の予測に使用できるため、治療上の意思決定に信頼できる証拠が提供されます。

食道がん（EC）は、悪性腫瘍の致死的なサブタイプの 1 つであり、全サブタイプの中で 7 番目に死亡率が高い1。アジアでは、扁平上皮癌が EC の主要な病理学的サブタイプです。根治手術と化学放射線療法は、食道扁平上皮癌 (ESCC) 患者にとって重要な治療法です2。手術による完全切除が困難な高い位置にある子宮頸部および中胸部食道がんの優先治療法として、根治的放射線療法が推奨されています。切除不能な進行性 ESCC の場合、症状を緩和し、生存期間を延長するために、依然として化学療法と放射線療法が必要です 3、4、5。

それにもかかわらず、放射線療法に対する感受性は患者によって異なり6、治療反応に大きな違いが生じます。有害事象および副作用は、放射線耐性 ESCC 患者で観察される可能性が高くなります 7,8。この目的を達成するには、ESCC患者において、治療実施前に放射線治療を正確に見積もることができる実用的で非侵襲的なアプローチを検討する必要がある。

ここ数十年、放射線療法の反応を予測するための食道造影の一般的な分類（髄質型、菌状型、狭窄型、および潰瘍型）が臨床研究で広く使用されてきました9,10。ただし、この予測は完全に放射線科医による経験的評価に基づいているため、実際の治療反応には差異が生じます。それ以外の場合、放射線療法感受性に関連する分子バイオマーカーは、日常的な臨床使用について前向きに検証されていません。最近の研究では、人工知能 (AI) に基づくラジオミクスが非侵襲的な X 線撮影による仮想生検バイオマーカーを抽出し、治療反応の予測情報を効果的に提供できることが示されています 11,12。 Lu ら 13 は、深層学習ベースのモデルが原発不明のがんの起源を特定する際に高い精度を示すことを発見しました。 Zhong14 は、マルチパラメトリック磁気共鳴画像法 (mp-MRI) に基づくラジオミクスの特徴が、放射線療法後の限局性前立腺がん患者の予後因子と考えられる可能性があることを示しました。 Gao15 は、縦方向拡散強調 MRI に基づくラジオミクスシグネチャを術前に放射線療法の効果を推定するために使用できることを示しました。 Zhu16 は、コンピューター断層撮影 (CT) イメージングの放射線シグネチャーと臨床因子に基づくノモグラムモデルが、強度変調放射線療法 (IMRT) 後の上咽頭癌 (NPC) の局所再発リスクの推定において適切な感度と特異性を示したと報告しました。

以前のラジオミクス研究では、ラジオミクスの特徴により EC 患者における術前化学放射線療法後の完全な病理学的反応の評価が大幅に改善されたことが報告されています 17。しかし、ESCCにおける放射線療法の反応を予測するためのラジオミクスに基づく関連研究はほとんど報告されていない。ここで、この研究では、248 人の ESCC 患者の大規模コホートを使用して、深層学習アルゴリズムによる新しいベースライン CT ベースのラジオミクスシグネチャモデルを開発し、放射線療法に対する反応を予測する際の患者のパフォーマンスを検証しました。

施設 1 (西安第一附属病院) で放射線治療を受けた ESCC 患者の人口統計データ、臨床データ、治療前の生検の病理学的所見、術前および術後の画像データ、手術記録などのベースライン情報および画像データ交通大学）2013年から2019年までのデータを収集・分析しました。さらに、2017年から2019年に施設2（西安交通大学第二付属病院）で放射線治療を受けたESCC患者からも同様の関連データを検索して収集した。すべての患者は、ポジショニング前の位置決め時にCT検査を受けていた。放射線治療を開始し、CT データは 2021 年から 2022 年まで遡及的に収集されました。主な対象基準は次のとおりです。(1) 生検で診断された ESCC。 (2) CT および造影画像により臨床的に診断された進行性 ESCC。 (3) 根治的放射線療法を完全に受けた（治療中に脱落しなかった）。 (4) 放射線療法前後の画像データは同じ施設で記録されました。主な除外基準は次のとおりです。(1) 生検または病理学的確認がない。 (2) 手術を行っていない、または放射線療法の前に補助化学療法を 2 週間以上行っていない。 (3) 放射線治療後の画像データの再検査は行わない。すべての患者の一般的な分類は、中国の CSCO ガイドラインに基づいていました 18。我々は、腫瘍の等級付けに非手術食道がんの臨床病期分類の標準（草案）を使用しました19。この研究のすべての患者から書面によるインフォームドコンセントが得られました。この作業で行われたすべての方法は、関連するガイドラインと規制に従って実行されました。すべての患者の臨床情報が継続的に登録され、西安交通大学の倫理委員会がこの研究を承認した。

施設 1 の患者の 20% が内部検証コホートに無作為に選択され、施設 1 の残りの患者はトレーニングコホートにグループ化されました。施設 2 の患者は外部検証コホートとして選択されました。詳細な実験フローを図1に示します。

放射線感度予測モデルを開発するためのステップを示すフローチャート。これには、患者の分類、腫瘍体積 ROI の描写、モデルの選択、および出力分析が含まれます。このフローチャートは、エンドツーエンドの側面におけるニューラルネットワークモデルの優位性を示しています。予測結果は、機械学習の面倒な特徴抽出ステップを必要とせずに直接取得できます。実際のアプリケーションでは、ニューラルネットワークモデルの汎化パフォーマンスも優れています。

私たちの研究のすべての患者は、放射線療法の前にBrilliance CTロケーター（フィリップス、英国）による位置特定を受け入れました。主な動作パラメータ: 管電圧: 140 kV。管電流: 500 mA; ビーム間隔: 0.625 層の厚さ。回転時間：0.5秒。マトリクス: 512 × 512; 検出器サイズ: 24 mm。スキャンパラメータ: 層の厚さ ≤ 5 mm。間隔 ≤ 5 mm。

CT スキャンの前に、放射線治療技師と医師 2 名が患者に同行する必要がありました。すべての患者は、食道を可能な限り拡張するために、CT スキャン前に 4 ～ 6 時間絶食し、スキャン中に 0.5 L の水を飲む必要がありました。すべての患者は、多層スパイラル CT 装置を使用して胸部を継続的にスキャンしている間、息を止めるように依頼されました。スキャン範囲は、鎖骨上窩の上端 5 cm から開始し、第 1 腰椎のレベルまで行いました。次に、CT スキャンのデータが再構成のためにワークステーションに渡されました。

この研究のすべての患者は、6MV、1.8〜2.0Gy/フラクションのエネルギーで60〜66Gyの範囲の放射線量を週5回、根治的放射線療法を受けました。両側肺、脊髄、胃管、心臓などの危険臓器（OAR）が保護対象として概説されました。主要な正常構造の最大許容線量は次のとおりです。脊髄: < 40 Gy。心臓のV40 ≤ 30%。両側肺: V20 ≤ 28% および V30 ≤ 20%。および胃: V40 ≤ 40%。ただし、データは遡及的に取得されたため、各患者の実際の放射線治療線量はわずかに異なりました。それにもかかわらず、各放射線治療計画は、NCCN ガイドラインで推奨される根治線量の範囲内にありました20。

画像専門家は、患者の画像データを評価して、RECIST 1.1 ガイドラインで推奨されている各平面での腫瘍の最大直径を測定しました21。次に、腫瘍の最大直径縮小率 (放射線療法前の最大直径/放射線療法後の最大直径) を計算できます。これは、治療反応を評価するために臨床現場で広く使用されています。すべての患者の最大腫瘍直径縮小率に従って、患者を 2 つのカテゴリーに分ける潜在的な閾値として 0.5 を選択しました。実験の後、患者を分けるための閾値として最適なカットオフ値である 0.5 を選択しました (腫瘍縮小率が 50% を超え、腫瘍縮小率が 50% 未満)。

すべての患者の CT 画像の連続面は、Monaco 5.2 を使用して放射線治療の標的領域の描写に 8 年以上の経験を持つ 2 人の放射線科医によって輪郭が描かれました。さらに、15年以上の経験を持つ別の放射線科医が標的領域を検査し、最終的な放射線治療の標的領域を取得しました。これにより、CT画像の連続面から各患者の腫瘍全体が標的領域に反映されることが保証されました。この試験では、放射線治療反応モデルの構築にターゲット領域の輪郭を描いた画像を使用しました。モデルに対する腫瘍辺縁の影響を最小限に抑えるために、患者ごとに腫瘍部位を最もよく表す画像を選択しました。

この実験で収集された患者 CT およびターゲット描写データは DICOM ファイル形式で保存され、DICOM ファイル内の CT データは Python を通じて 2D PNG 形式画像に変換されます。このようにして、各患者から腫瘍標的領域の輪郭を示す 2D 画像の 10 ～ 60 スライスを抽出できます。その後、専門の放射線科医が腫瘍の最も代表的な 2D CT 画像 (通常は腫瘍の最大直径付近の画像) を選択します。施設 1 から収集されたデータセットは、患者ベースでトレーニングセット検証セットにランダムに分割されました。機関 2 から収集されたデータは、外部の検証グループに配布されます。

機械学習実験では、2次元CT画像を特徴抽出により特徴ベクトルに変換し、実験を行います。人工ニューラルネットワークでは、回転、反転、ズーム、歪みなどのデータ拡張手法を CT 画像に適用しました。データ拡張により、CT 画像のデータセットは 6000 に増加しました。また、2D CT 画像は人工ニューラルネットワークモデルへの直接入力となりました。

この研究では、施設 1 (訓練コホートおよび内部コホート) の患者を使用して、分類モデルを構築および検証しました。 CT 画像の放射性特徴は、PyRadiomics 画像抽出ソフトウェアバージョン 3.0 を使用して抽出されました。各患者から合計 102 個の 2D 特徴が抽出されました。これには、一次形状 2D、グレーレベル共起マトリックス (GLCM)、グレーレベルランレングスマトリックス (GLRLM)、グレーレベルサイズゾーンマトリックス (GLSZM)、隣接グレートーンが含まれます。差分行列（NGTDM）およびグレーレベル依存行列（GLDM）機能22。さらに、ピアソン相関係数アルゴリズムによって相関のある特徴（> 0.8）をグループ化し、同じグループ内の予測性の低い特徴は特徴選択アルゴリズムでは無視されました（補足図S1）。ランダムフォレストアルゴリズムを使用して、データの次元を減らし、最も予測性の高い特徴を選択しました23。特徴選択アルゴリズムの公式と説明は次のとおりです。

ここで、X は特徴を表し、\({\mathrm{err}}_{\mathrm{OOB}2}\) は特徴 X にノイズを追加したときのバッグ外誤差を表し、\({\mathrm{err }}_{\mathrm{OOB}1}\) は、ノイズを加えずに out-of-bag エラーを表します。モデルの最適な特徴数を決定するために、1 ～ 10 の範囲の特徴数を使用した 10 セットの実験が適用されました。したがって、分類器をトレーニングするために最も予測性の高い 5 つの特徴が選択され、最高のパフォーマンスが達成されました。一方、この研究では、線形カーネルを備えたサポートベクターマシン (SVM)、放射基底カーネルを備えた SVM 線形回帰モデル 24、25、線形回帰モデル 26、ランダムフォレストを含む複数の分類器がテストされました。分類器の AUC を比較した後、他のすべての分類器よりもパフォーマンスが優れていたため、ランダムフォレストアルゴリズムを選択しました。

この研究では、施設 1 の患者をトレーニングコホートと内部検証コホートの構築に使用し、施設 2 の患者を外部検証コホートの構築に使用して一般化の効率を検証しました。

CNN モデルは、画像分類の分野で非常に効果的であることが証明されています 27、28、29。エンドツーエンドの CNN モデルは、追加の画像特徴抽出を行わずに正確な予測結果を提供するため、モデルの効率が大幅に向上します。この研究では、複数のニューラルネットワークを使用して患者の CT 画像を分類しました。モデルの学習率は 0.0005 に設定され、二乗平均平方根プロップ (RMSprop) オプティマイザーが使用されました。一方、モードの損失関数としてバイナリクロスエントロピーを使用しました。式は次のとおりです。

ここで、 yi は各画像のラベルを表し、 \(\mathrm{p}({\mathrm{y}}_{\mathrm{i}})\) は画像が正である確率を表し、 \(\mathrm{ q}\) は実分布を表します。さらに、過学習の問題を防ぐために、ドロップアウトレイヤーを適用し、ドロップアウト率を 0.2 に設定しました (ニューロンの 20% をランダムに無視します)。最後に、出力を正規化するために、出力層の前にシグモイド層がモデルに適用されました。シグモイド関数は次のように定義されます。

バッチサイズは 16 に設定され、他のサイズの中で最高のパフォーマンスを達成しました。ニューラルネットワークモデルをトレーニングすることにより、最終的に患者の放射線治療感受性の確率統計が得られました (0.5 を超える確率は感受性があり、0.5 未満の確率は耐性があります)。ニューラルネットワークモデルの詳細な構造を図 2a に示します。

(a) カーネルサイズ 3*3 の 2 つの畳み込み層で構成される CNN モデル。各畳み込み層は ReLU および max-pooling 関数に従います。ドロップアウト関数により、モデルの過学習問題を大幅に防ぐことができます。 (b) 事前トレーニング済みモデルは主に ImageNet の事前トレーニング済み ResNet50 を使用して構築されており、チャネルアテンションレイヤーは最大プーリングと平均プーリングの両方を使用してチャネルアテンション特徴マップを計算します。

事前学習済みニューラルネットワークに関するさまざまな研究により、画像分類タスクにおける最先端のパフォーマンスが示されています 30,31。一方、チャネルアテンションメカニズムは、深層学習モデルのパフォーマンスを向上させるのに効果的であることが証明されています。この研究では、チャネルアテンションレイヤーを備えた事前トレーニング済み ResNet50 (Keras の ImageNet でトレーニング済み) が適用されました 32,33,34。チャネルアテンションレイヤーは、モデルの出力から最も重要なチャネルをキャプチャするために適用されました。関数の式は次のとおりです。

ここで、 \(\mathrm{MLP}\) は多層パーセプトロンを表し、 \(\mathrm{F}\) は入力を表します。学習率は 0.01 に設定され、Adam オプティマイザーが使用されました。これらの実験における損失関数もバイナリクロスエントロピーでした。なお、中退層の中退率は０．５とした。複数の実験を行った後、バッチサイズを 32 に設定し、最高のパフォーマンスを達成しました。事前トレーニングされたモデルは、この研究で適用した他のすべての方法よりも優れたパフォーマンスを示しました。最良の AUC を持つ最適な分類器がさらなる探索に使用されました。ニューラルネットワークモデルの詳細な構造を図2bに示します。

各モデルの予測性能を評価する際には、ROC 曲線下面積 (AUC 値) を使用して各予測モデルの精度を測定します。ただし、ROC 曲線の下の面積では、予測モデルの臨床的実行可能性を考慮することはできません。したがって、決定曲線を使用して各モデルをさらに評価します。意思決定曲線は意思決定者の好みを分析に統合しており、この方法を使用した後の臨床現場での利点を実際に評価できます。したがって、臨床意思決定の実際のニーズを満たし、臨床分析でますます広く使用されています35。

SPSS 統計ソフトウェアバージョン 18 を使用して、カテゴリ変数の X2 検定またはフィッシャーの直接確率検定による有意差を計算しました。両側 P < 0.05 は統計的に有意であるとみなされました。単変量ロジスティックの関連分析も SPSS 統計ソフトウェアバージョン 18 によって計算されました。検量線と決定曲線を実行して、検量線の性能と臨床的有用性をテストしました 35。グラフィック描写には、Python ソフトウェアバージョン 3.8 (Python) を使用しました。

私たちの研究には、トレーニングコホートの患者154人（62.1％）、内部検証コホートの患者45人（18.1％）、外部検証コホートの患者49人（19.8％）を含む248人のESCC患者が登録された。 3 つのコホートにおける患者の臨床的特徴を表 1 にまとめます。トレーニング、内部検証、および外部検証コホートの平均 (SD) 年齢は 69.36 歳でした。コホート全体は、治療時に臨床段階 III の ESCC と診断された 245 人の患者 (98.8%) で構成されていました。訓練コホートは反応者62名と非反応者92名で構成され、内部検証コホートは反応者14名と非反応者31名で構成され、外部検証コホートは反応者18名と非反応者31名で構成された。トレーニング、内部検証、および外部検証コホートにおける反応者と非反応者の間で、性比、臨床病期、腫瘍の位置、一般的な種類、または放射線療法中の喫煙のいずれかにおいて統計的に有意な差はありませんでした（表 1）。

単変量ロジスティック回帰による患者の特徴の分析では、性別、年齢、放射線治療前の腫瘍の最大直径、臨床腫瘍病期、臨床リンパ節病期、臨床転移病期、臨床病期、全身型、腫瘍の位置、アルコールなどの放射線治療反応との関連性は示されなかった。各コホートにおける使用およびタバコの使用（P > 0.05）（補足表S1）。

線形回帰、線形カーネルを備えた SVM、放射基底カーネルを備えた SVM、およびランダムフォレストモデルを含む 4 つの機械学習分類器を使用してラジオミクスモデルが構築されました。ランダムフォレストアルゴリズムによって特定された 10 個の最も予測性の高い特徴が、分類器をトレーニングするために選択されました。各分類器のパフォーマンス結果と比較すると、ランダムフォレストモデルはトレーニングコホートと内部検証コホートで最も高い AUC を示し、それぞれ 0.767 (95% CI、0.734 ～ 0.790) と 0.594 (95% CI、0.562 ～ 0.631) でした。。線形カーネルを備えた SVM は内部検証コホートで 0.561 (95% CI、0.530 ～ 0.594) の AUC を達成しましたが、放射基底カーネルモデルを備えた SVM は内部検証コホートで 0.539 (95% CI、0.510 ～ 0.564) の AUC を達成しました。内部コホート。内部検証コホートにおける線形回帰モデルのAUCは0.589（95％CI、0.561〜0.646）でした（補足図S3a〜c）。次に、結合特徴モデルのパフォーマンスを独立特徴モデルと比較するために、結合モデルの最も予測性の高い 5 つの特徴を使用して、ランダムフォレストによってモデルを個別にトレーニングしました。ラジオミクスモデル内の各独立した特徴のパフォーマンスは、同じラジオミクスモデル内の組み合わせた特徴のパフォーマンスよりも低い AUC を示しました（図 3a および b、補足表 S2）。

(a、b) プライマリコホートと内部コホートにおけるラジオミクスシグネチャのランダムフォレストモデルの受信機動作特性曲線。太い赤い線は、上位 10 の特徴をすべて使用したランダムフォレストモデルの ROC 曲線を示し、他の線は上位 5 の特徴を個別に使用したランダムフォレストモデルを表します。

事前トレーニング済み ResNet50 で構築された深層学習ラジオミクスモデルとチャネルアテンションメカニズムは、放射線治療反応の予測において他のすべての方法よりも優れた性能を発揮しました。このモデルは、一次コホート、内部コホート、外部コホートで 0.876 (95% CI 0.853 ～ 0.895)、0.802 (95% CI 0.775 ～ 0.837)、および 0.732 (95% CI 0.672 ～ 0.797) の AUC を達成しました。スクラッチからのCNNは、それぞれ0.805（95％CI 0.774〜0.830）、0.770（95％CI 0.729〜0.802）、および0.678（95％CI 0.619〜0.738）のAUCを達成しました（図4a〜c）。この結果は、CT の特徴が信頼できる予後ラジオミクスモデルの構築に実行可能であることを示しました。機械学習ラジオミクスモデルのパフォーマンスを比較すると、CNN ラジオミクスモデルは 3 つのコホートすべてでより高い AUC を示しました。このことは、深層学習ラジオミクスモデルが、データ次元を削減したり冗長な特徴を削除したりすることなく、ラジオミクスモデルのパフォーマンスを向上させたことが明らかになりました。ラジオミクス特徴の次元削減のプロセスにより、遠近感情報の欠如が生じる可能性があります。

(a、b) および (c)、主要コホート (a)、内部コホート (b)、および外部コホート (c) における放射線シグネチャの受信者動作特性曲線。事前学習済みネットワークと CNN モデル。 D および E、Att の決定曲線事前学習済みモデル (d) と CNN モデル (e)。茶色の線は放射線療法に反応したすべての患者を表し、紺色の点線は放射線療法に反応しなかった患者を表します。 (f)、プロットは、Att の放射性シグネチャの校正を示しています。事前トレーニングされたモデル。点線は理想的なモデルを示します。オレンジ色の線は一次コホートの検量線を表し、青色の線は内部コホートを表します。

ラジオミクスモデルの予測安定性を推定し、臨床応用における利点を評価するために、決定曲線と検量線を使用して 2 つのニューラルネットワークモデルのパフォーマンスを評価しました。決定曲線は、Att. 事前トレーニングされたモデルは、臨床現場で CNN モデルを使用するよりも多くの利点が得られます (図 4d、e)。検量線は、一次コホートおよび内部コホートの事前トレーニング済み ResNet50 モデルに適用されました (図 4f)。これは、モデルの予測結果と実際の結果の間の高度な一致を示しました。

放射線療法は、ESCC 患者にとって最も重要な治療法の 1 つと考えられています 36。放射線療法に対する反応を予測するためのモデルの構築は、個別化された精密治療にとって非常に有益です37。 ESCC における放射線反応の予測を困難にしているのは、放射線感受性を予測する分子マーカーが欠如していることです 38。さらに、ESCC の従来の臨床的特徴と一般的なタイプは、放射線療法に対する反応と限定的な相関関係を示しました。したがって、ESCC患者における放射線療法に対する反応を効率的に予測できる利用可能なモデルを開発する必要がある。最近、AI に基づくラジオミクスシグネチャモデルがさまざまな分野に適用され、放射線治療への反応の予測において驚くべきパフォーマンスを示しています 39,40,41,42,43。ここでは、予測分子マーカーの不足をカバーできる、ESCC患者における放射線療法反応予測のための治療前CTベースのラジオミクスモデルを設計することを目的としました。

機械学習モデルと深層学習モデルは、ラジオミクス研究で広く使用されています44、45、46。以前の研究では、コホートの母集団に制限があるため、ランダムフォレストや SVM などの従来の機械学習アルゴリズムが深層学習アルゴリズムよりも頻繁に言及されました 17,47。さらに、近年、深層学習のエンドツーエンドアルゴリズムががん研究に使用され始めており、放射線画像だけでなく病理組織画像も使用されています48,49。従来の機械学習ラジオミクスモデルの過剰適合を軽減するために不可欠な部分と考えられている特徴の再現性のスクリーニングにより、ラジオミクスモデルのパフォーマンスが向上すると思われます。対照的に、エンドツーエンドのアルゴリズムは次元を削減する必要がなく、すべての画像情報を最大限に活用して結論を導き出すことを目指しています50。ただし、これら 2 種類のアルゴリズムの優位性は、放射線療法の反応を予測するために比較されていません。これら 2 つのアルゴリズムのどちらがより効果的なラジオミクスモデルを構築できるかを判断するために、私たちの研究では、同じ ESCC 患者コホートでラジオミクスモデルを構築するために両方のアルゴリズムが使用されました。この結果は、トレーニング、内部検証、または外部検証コホートのいずれにおいても、エンドツーエンドの深層学習アルゴリズムによって構築されたラジオミクスモデルがより優れたパフォーマンスを示したことを示唆しています。これは、エンドツーエンドの深層学習アルゴリズムが、その後のラジオミクス研究でさらに注目されるべきであることを示唆しています。さらに、私たちの研究では、最初から作成した CNN モデルと事前トレーニングされた CNN モデルも比較されました。最近の研究では、事前トレーニングされたニューラルネットワークモデルの使用がますます主流の選択肢になってきていますが、ラジオミクス研究では、事前トレーニングされたモデルとゼロからのモデルが比較されることはほとんどありません。私たちの調査では、事前トレーニングされたモデルに関するいくつかの証拠が示されました。一方、最近の研究では、チャネルアテンションメカニズムによりニューラルネットワークモデルのパフォーマンスが大幅に向上する可能性があることが報告されています。私たちの研究では、チャネルアテンションレイヤーにより、事前トレーニング済みモデルのチャネルが多すぎることによって引き起こされる収束の困難さが大幅に改善され、外部検証コホートではモデルのパフォーマンスが 3% 近く向上しました。

最近、ラジオゲノミクスの進歩により、ラジオミクスの特徴が遺伝子発現パターンと明確な相関関係を持っていることが示されました 37。免疫調節、腫瘍増殖、治療反応および細胞機能に関与するさまざまな経路によって引き起こされるラジオミクスの特徴は、ラジオミクスの生物学的基礎をさらに説明します52。この結果は、ラジオミクスモデルを構築することで腫瘍内の不均一性をある程度反映できることを示唆しています。従来の臨床特性と比較して、ラジオミクス機能は放射線療法に対する治療反応をより正確に予測します。したがって、エンドツーエンドのアルゴリズムによる CT 画像情報の全体的な利用が腫瘍の不均一性を反映している可能性があると仮説を立てます。画像情報の抽出における違いにより、これら 2 つの異なるアルゴリズム間に明らかな不一致が生じる可能性があります。しかし、これらの理論はラジオゲノミクスやマルチオミクスの研究では解明されていません。

私たちの後ろ向き研究は、対象患者の一時的な不連続性に限定されていました。私たちの研究は標準化プロセスを使用することで画像データの差異を最小限に抑えましたが、各時代や施設間のCT装置の違いは画像データの収集に偏りをもたらす可能性があります。我々の知る限り、この研究は非外科的ESCC患者におけるラジオミクスに関する初の多施設共同研究である。しかし、私たちの研究対象となった 2 つの施設は同じ州にあり、患者数は限られています。モデルの外挿を評価するには、他の地域の多数の患者集団が依然として必要です。最後に、私たちの研究ではコホートの制限により 2D ラジオミクス表現型と臨床的特徴のみが分析されており、3D ラジオミクス表現型は私たちのモデルでは良好なパフォーマンスを示しませんでした。したがって、3D ラジオミクス現象は次のステップでさらに調査する必要があります。ラジオミクスの生物学的重要性をさらに明らかにするには、他のオミクスを組み合わせる必要もあります。

これは、Att を開発した最初の多施設ラジオミクス研究です。 Resnet50 は、進行性 ESCC 患者における事前トレーニング済みネットワークラジオミクスモデルです。これにより、臨床医師の経験だけでなく客観的な基準にも基づいて臨床上の意思決定が可能になります。放射線療法の効果的な予測は、これらの患者に合理的で個別化された正確な治療選択肢を提供するだけでなく、放射線療法の不必要な副作用を防ぎ、進行性 ESCC 患者の生活の質と生存転帰を改善するためのタイムリーな治癒を目的とした代替治療アプローチを提供します。さらに、私たちの研究では既存の日常的な診断用CT画像を使用しているため、患者に追加の経済的負担を追加することはありません。同時に、Att。 Resnet50 の事前トレーニング済みネットワークラジオミクスモデルは、ラジオミクスシグネチャの標準化された抽出を必要としないため、腫瘍学者が診断中に放射線療法の反応を予測する臨床用途でより便利になります。

Att の開発進行性 ESCC 患者における放射線療法への反応を予測するための Resnet50 事前トレーニング済みネットワークラジオミクスモデルは、腫瘍学者が効果的な個別放射線療法計画を迅速に策定し、臨床上の意思決定を導くのに役立つだけでなく、放射線感受性を予測するための分子マーカーの欠如を補うこともできます。私たちの研究が ESCC のラジオミクスデータベースに登録され、先進的な ESCC におけるラジオミクスのベースライン研究とみなされることが望まれます。このモデルは、他の医療画像分類タスクにも適用できる可能性があります。

現在の研究中に生成および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。私たちの完全なアプローチのコードは、Github (https://github.com/lqawakeme/RRAESCC) から公開されています。

Sung, H. et al. 2020 年の世界のがん統計: GLOBOCAN は、185 か国の 36 のがんについて、世界中での罹患率と死亡率を推定しています。 CA A がん J. Clin. 71、209–249 (2021)。

記事 Google Scholar

アブネット、CC、アーノルド、M.、ウェイ、W.-Q。食道扁平上皮癌の疫学。消化器病学 154、360–373 (2018)。

論文 PubMed Google Scholar

Van Rossum、PS、Mohammad、NH、Vleggaar、FP、Van Hillegersberg、R. 切除不能または転移性食道がんの治療：現在の証拠と傾向。ナット。胃腸ロール牧師。ヘパトール。 15、235–249 (2018)。

論文 PubMed Google Scholar

Geh, JI、Crellin, AM、Glynne-Jones, R. 食道がんにおける術前（術前補助）化学放射線療法。 Br. Ｊ．Ｓｕｒｇ． 88、338–356 (2002)。

記事 Google Scholar

Donohoe, CL & Reynolds, JV 局所進行性食道癌および食道接合部癌の術前補助療法: 証拠に基づく、現在の重要な疑問と臨床試験。 J. ソラック。ディス。 9、S697–S704 (2017)。

記事 PubMed PubMed Central Google Scholar

Lynam-Lennon、N. et al. ミトコンドリア機能とエネルギー代謝の変化は、食道腺癌における放射線耐性表現型と関連しています。 PLoS ONE 9、e100738 (2014)。

論文 ADS PubMed PubMed Central Google Scholar

ジャイラム、V.ら。全身療法および放射線療法の治療に関連した合併症。 JAMAオンコル。 5、1028–1035 (2019)。

記事 PubMed PubMed Central Google Scholar

Wang, X. et al. 食道がんに対する放射線治療後の重篤な心臓イベントの発生率と発症。 J. ソラック。オンコル。 15、1682–1690 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

早野和也ほか食道がん治療のためのイメージングバイオマーカー。 WJG 25、3021–3029 (2019)。

記事 PubMed PubMed Central Google Scholar

Beukinga、RJ et al. 食道がん患者におけるベースラインおよび再ステージング 18 F-FDG PET 画像バイオマーカーを用いた術前化学療法および放射線療法に対する反応の予測。放射線学 287、983–992 (2018)。

論文 PubMed Google Scholar

リムキン、EJ et al. 腫瘍学における計算医療画像処理 (ラジオミクス) の実装の約束と課題。アン。オンコル。 28、1191–1206 (2017)。

論文 CAS PubMed Google Scholar

ダークル、L.ら。機械学習とイメージングバイオマーカー (ラジオミクス) による放射線治療の再発明: 最先端、課題と展望。方法 188、44–60 (2021)。

論文 CAS PubMed Google Scholar

Lu、MY 他 AI ベースの病理学は、原発不明のがんの起源を予測します。ネイチャー 594、106–110 (2021)。

論文 ADS CAS PubMed Google Scholar

ゾン、Q.-Z. 他。放射線療法後の限局性前立腺がんの生化学的再発を予測するためのマルチパラメトリック MRI のラジオミクス。フロント。オンコル。 10、731 (2020)。

記事 PubMed PubMed Central Google Scholar

Gao、Y.ら。縦方向拡散強調 MRI のラジオミクス特徴を使用した、術前放射線療法で治療された肉腫患者の治療効果予測。物理学。医学。バイオル。 65、175006 (2020)。

論文 PubMed Google Scholar

Zhu, C. et al. 上咽頭癌における放射線療法後の局所再発リスクを予測するための、コンピューター断層撮影に基づく臨床ラジオミクスノモグラム。フロント。オンコル。 11、637687 (2021)。

記事 PubMed PubMed Central Google Scholar

Hu, Y. et al. 食道扁平上皮癌患者における術前化学放射線療法に対する病理学的完全反応を予測するための腫瘍内および腫瘍周囲のコンピューター断層撮影ラジオミクスの評価。自工会ネットワーク。 3、e2015927 (2020) を開きます。

記事 PubMed PubMed Central Google Scholar

ワン、F.-H. 他。中国臨床腫瘍学会 (CSCO): 胃がんの診断と治療に関する臨床ガイドライン。がんコミュニティ。 39、1–31 (2019)。

記事 ADS Google Scholar

中国非手術食道がん臨床病期分類専門家グループ。非手術食道癌の臨床病期分類の基準（案）。チン・J・ラディアット。オンコル。 19、179–180 (2010)。

Google スカラー

アジャニ、JA et al. 食道癌および食道胃接合部癌、バージョン 2.2019、NCCN 腫瘍学臨床診療ガイドライン。 J.Natl. 比較がんネットワーク。 17、855–883 (2019)。

記事 CAS Google Scholar

アイゼンハウアー、EA 他。固形腫瘍における新しい奏効評価基準: 改訂された RECIST ガイドライン (バージョン 1.1)。ヨーロッパ癌ジャーナル 45、228–247 (2009)。

ファン・グリートハイセン、JJM 他放射線写真の表現型を解読する計算ラジオミクスシステム。できる。解像度 77、e104–e107 (2017)。

記事 Google Scholar

Saeys, Y.、Abeel, T. & de Peer, YV アンサンブル特徴選択技術を使用した堅牢な特徴選択。データベースにおける機械学習と知識発見に関するヨーロッパ合同会議において、313 ～ 325 (Springer、2008)。

Cherkassky, V. & Ma, Y. SVM パラメーターの実際的な選択と SVM 回帰のノイズ推定。ニューラルネットワーク。 17、113–126 (2004)。

論文 PubMed MATH Google Scholar

Huang, S. et al. がんゲノミクスにおけるサポートベクターマシン (SVM) 学習の応用。がんゲノム。プロテオム。 15、41–51 (2018)。

CAS Google スカラー

Montgomery, DC、Peck, EA & Vining, GG 線形回帰分析入門 (John Wiley & Sons、2021)。

数学 Google Scholar

Qin, J.、Pan, W.、Xiang, X.、Tan, Y.、Hou, G. 改良された CNN に基づく生物学的画像分類方法。エコ。知らせる。 58、101093 (2020)。

記事 Google Scholar

Wang、J.ら。 CNN-RNN: マルチラベル画像分類のための統一フレームワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 2285–2294 (2016)。

ホウ、L.ら。スライド組織画像全体を分類するためのパッチベースの畳み込みニューラルネットワーク。コンピュータービジョンとパターン認識に関する IEEE 会議議事録 2424–2433 (2016)。

Yosinski, J.、Clune, J.、Bengio, Y. & Lipson, H. ディープニューラルネットワークの機能はどの程度転送可能ですか? 上級神経情報プロセス。システム。 27、(2014)。

Al-Haija, QA & Adebanjo, A. ResNet-50 畳み込みニューラルネットワークを使用した組織病理学的画像による乳がん診断。 2020 年の IEEE 国際 IOT、エレクトロニクスおよびメカトロニクス会議 (IEMTRONICS) 1–7 (IEEE、2020)。

ウー、S.、パーク、J.、リー、J.-Y. & Kweon、IS Cbam: 畳み込みブロックアテンションモジュール。ヨーロッパコンピュータビジョン会議議事録 (ECCV) 3–19 (2018)。

Lee, H.、Park, J. & Hwang, JY 超音波画像における乳がんセグメンテーション用のマルチスケールグリッド平均プーリングを備えたチャネルアテンションモジュール。 IEEEトランス。ウルトラゾン。強誘電体。周波数コントロール 67、1344–1353 (2020)。

PubMed Google Scholar

Szegedy、C.、Ioffe、S.、Vanhoucke、V.、Alemi、AA Inception-v4、inception-resnet、および学習に対する残留接続の影響。第 31 回 AAAI 人工知能会議にて (2017 年)。

Fitzgerald, M.、Saville, BR & Lewis, RJ 決定曲線分析。 JAMA 313、409–410 (2015)。

論文 CAS PubMed Google Scholar

Goense、L. et al. 食道がんにおける段階別の個別化療法: 食道がんの個別化治療。アン。ニューヨークアカデミー。科学。 1381、50–65 (2016)。

論文 ADS PubMed Google Scholar

Liu、Z.ら。腫瘍の正確な診断と治療のためのゲノミクスのイメージング: 最先端の概要。バイオメッド。薬剤師。 135、111173（2021）。

論文 CAS PubMed Google Scholar

Bollschweiler、E. et al. 食道癌における術前化学放射線療法に対する軽微な反応を予測するための分子マーカー: 前向き大腸食道反応予測 (CERP) 研究の結果。アン。外科。 264、839–846 (2016)。

論文 PubMed Google Scholar

Nazari, M.、Shiri, I.、Zaidi, H. 明細胞腎細胞癌患者の 5 年以内の死亡リスクを予測するラジオミクスベースの機械学習モデル。計算します。バイオル。医学。 129、104135 (2021)。

論文 PubMed Google Scholar

Zhong、J.ら。深層学習と MRI ベースのラジオミクスノモグラムを使用した、骨肉腫における術前化学療法反応の自動予測。ユーロ。ラジオル。 https://doi.org/10.1007/s00330-022-08735-1 (2022)。

記事 PubMed PubMed Central Google Scholar

ゾン、Y.-W. 他。舌癌患者における頸部転移の人工ニューラルネットワーク支援検出のための腫瘍ラジオミクスシグネチャ。 J. Neuroradiol. 49、213–218 (2022)。

論文 PubMed Google Scholar

ジョイ、I.ら。直腸がんの化学放射線療法に対する反応を予測する場合、定量的イメージングは分子マーカーよりも優れています。ラジオザー。オンコル。 124、104–109 (2017)。

記事 PubMed PubMed Central Google Scholar

ヤン、F.ら。サイトケラチン 19 陽性肝細胞癌の MRI ラジオミクス予測: 多施設研究。フロント。オンコル。 11、672126 (2021)。

記事 PubMed PubMed Central Google Scholar

Reel, PS、Reel, S.、Pearson, E.、Trucco, E. & Jefferson, E. マルチオミクスデータ解析のための機械学習アプローチの使用: レビュー。バイオテクノロジー。上級 49、107739 (2021)。

論文 CAS PubMed Google Scholar

デメロ、CM 他シミュレータと合成データに基づく次世代の深層学習。トレンド認知度科学。 26、174–187 (2022)。

論文 PubMed Google Scholar

Liu、X.ら。術前化学放射線療法後の局所進行直腸癌患者における遠隔転移のディープラーニングラジオミクスに基づく予測: 多施設共同研究。 eBioMedicine 69、103442 (2021)。

Wang、W.ら。局所進行胃癌に対する術前化学療法に対する反応を予測するための、コンピューター断層撮影に基づくラジオミクスシグネチャの開発と検証。自工会ネットワーク。 4、e2121143 (2021) を開きます。

論文 ADS PubMed PubMed Central Google Scholar

アルディラ、D. et al. 低線量胸部コンピューター断層撮影の 3 次元ディープラーニングを使用したエンドツーエンドの肺がんスクリーニング。ナット。医学。 25、954–961 (2019)。

論文 CAS PubMed Google Scholar

Huang, K. et al. マルチモーダル深層学習を使用して、病理組織画像と臨床情報から結腸直腸癌腫瘍の変異負荷を予測します。バイオインフォマティクス (2022)。

Han, Y.、Wu, D.、Kim, K. & Li, Q. 低線量 X 線 CT を使用した内部断層撮影のためのエンドツーエンドの深層学習。物理学。医学。バイオル。 67、115001 (2022)。

記事 Google Scholar

郭、M.-H. 他。コンピュータービジョンにおける注意メカニズム: 調査。コンプ。ヴィス。メディア 8、331–368 (2022)。

記事 Google Scholar

Bera, K.、Braman, N.、Gupta, A.、Velcheti, V.、Madabhushi, A. 放射線医学におけるラジオミクスと人工知能によるがん転帰の予測。ナット。クリン牧師。オンコル。 19、132–146 (2022)。

論文 CAS PubMed Google Scholar

リファレンスをダウンロードする

この研究は、中国陝西省の主要研究開発プログラム (助成金 2018ZDXM-SF-043) および中国国立自然科学財団 (助成金 81773239) によって支援されました。

中国西安市、西安交通大学第一附属病院放射線腫瘍科

Yuchen Xie、Chao Ji、Yuchen Sun、Shuliang Zhang、Mingyu Hua、Xueting Liu、Weibin Hu、Yanfang Ma、Ying Wang、Xiaozhi Zhang

早稲田大学大学院基幹理工学研究科情報通信工学専攻

チャン・リウ

中国西安市、西安交通大学第二付属病院放射線腫瘍科

パン・シュウペイ

PubMed Google Scholar でこの著者を検索することもできます

Zhang 博士は研究のすべてのデータに完全にアクセスでき、データの完全性とデータ分析の正確さについて責任を負いました。 YX と QL は筆頭著者として等しく貢献し、研究と実験を実施しました。 YS と CJ は研究の設計に参加しました。 SZ、QL、YS はこの研究のデータを分析しました。患者の収集はSP、MH、XLWHによって完了し、YMとYWは原稿の改訂に参加しました。原稿はYXとQLによって書かれました

張暁志への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Xie、Y.、Liu、Q.、Ji、C. 他。進行性食道扁平上皮癌患者の放射線療法反応を予測するための人工ニューラルネットワークベースのラジオミクスモデル: 多施設研究。 Sci Rep 13、8673 (2023)。 https://doi.org/10.1038/s41598-023-35556-z

引用をダウンロード

受信日: 2022 年 11 月 25 日

受理日: 2023 年 5 月 20 日

公開日: 2023 年 5 月 29 日

DOI: https://doi.org/10.1038/s41598-023-35556-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

ニュース