핵심 개념
深層学習を用いて、乳がんの切除標本のヘマトキシリン・エオジン染色スライドから腫瘍と免疫の表現型を予測することができる。
초록
本研究は、乳がんの切除標本のヘマトキシリン・エオジン染色スライドから、深層学習を用いて腫瘍と免疫の表現型を予測する取り組みを紹介している。
主な内容は以下の通り:
- 腫瘍微小環境(TME)の特性は治療効果に大きな影響を及ぼすが、現在臨床現場で広く利用可能な評価方法がない。
- 本研究では、マルチインスタンス学習(MIL)アルゴリズムを用いて、ヘマトキシリン・エオジン染色スライドから10種類の生物学的に重要なパスウェイの活性を予測した。
- 様々な特徴抽出手法と最新のモデルアーキテクチャを評価した結果、ほとんどのパスウェイについて0.70以上のAUROCスコアを達成し、一部のパスウェイでは0.80を超えた。
- 注意マップの分析から、訓練済みモデルがヘマトキシリン・エオジン染色スライドから生物学的に関連する細胞集団のパターンを認識していることが示唆された。
- この取り組みは、ヘマトキシリン・エオジン染色スライドからTMEの側面を反映する計算病理学的バイオマーカーを開発する上での第一歩となる。
통계
免疫活性の高い領域には多数の腫瘍浸潤リンパ球が観察され、免疫活性の低い領域には壊死した腫瘍細胞が多く見られた。
細胞増殖、血管新生、上皮間葉転換などの腫瘍の攻撃性に関連するパスウェイは、ヘマトキシリン・エオジン染色から合理的な精度で予測できた。
一方、脂肪酸代謝や酸化的リン酸化などの代謝経路は、ヘマトキシリン・エオジン染色からは予測が困難であった。
인용구
"腫瘍微小環境(TME)の特性は治療効果に大きな影響を及ぼすが、現在臨床現場で広く利用可能な評価方法がない。"
"本研究では、マルチインスタンス学習(MIL)アルゴリズムを用いて、ヘマトキシリン・エオジン染色スライドから10種類の生物学的に重要なパスウェイの活性を予測した。"
"注意マップの分析から、訓練済みモデルがヘマトキシリン・エオジン染色スライドから生物学的に関連する細胞集団のパターンを認識していることが示唆された。"