非小細胞肺癌に対する免疫療法の有効性予測：多視点適応重み付きグラフ畳み込みネットワークを使用

2024-06-18 Tue

非小细胞肺癌的免疫疗法疗效预测：多视角自适应加权图卷积网络研究报告

背景介绍

肺癌は発症率が非常に高く、予後が悪い悪性腫瘍であり、長年にわたりその致死率は高止まりしています。すべての肺癌患者の中で、非小細胞肺癌（Non-Small Cell Lung Cancer, NSCLC）は約85%を占めています。新しい治療手段として、腫瘍免疫療法は癌患者に新しい治療のアイデアを提供しました。しかし、免疫療法は高額であり、約20%から50%の患者のみが満足のいく効果を得られるだけです。さらに治療中には、免疫性肺炎や肝炎などの副作用が発生する可能性があります。したがって、患者が免疫療法を受ける前にその効果を予測することは重要です。

近年、機械学習を基盤とする放射線オミクスは、NSCLCの免疫療法の効果予測において潜在力を示しています。放射線オミクスの特徴は、免疫療法の効果を予測するための効果的な代理マーカーであることが証明されています。しかし、多くの研究は個々の患者の放射線オミクス特徴のみを考慮しており、患者間の相互関係を無視しています。さらに、これらの研究は通常、異なる特徴をまとめて単一の視点のモデル入力とし、複数のタイプ特徴間の複雑な関連性を十分に考慮していません。

论文来源

この論文「Immunotherapy Efficacy Prediction for Non-Small Cell Lung Cancer Using Multi-View Adaptive Weighted Graph Convolutional Networks」は、Qiong Wu、Jun Wang（IEEE会員）、Zongqiong Sun、Lei Xiao、Wenhao YingおよびJun Shi（IEEE会員）によって共同執筆されました。この論文は《IEEE Journal of Biomedical and Health Informatics》の2023年11月号、第27巻第11期に掲載されました。

研究流程

数据来源及预处理

本研究のデータセットは、2018年1月から2020年10月の期間に回顧的に収集された107名のNSCLC患者のデータを含みます。これらの患者は抗プログラム死-1（anti-PD-1）免疫療法受ける前の3日間にCTスキャンを受けました。免疫効果の評価は免疫関連の固形腫瘍評価基準（Immune-Related Response Evaluation Criteria In Solid Tumors, iRECIST）に基づき、経験豊富な放射線科医によって評価され、倫理的承認を得ています。

放射组学特征提取

画像バイオマーカ標準化イニシアチブ（Image Biomarker Standardization Initiative, IBSI）ガイドラインに従い、オープンソースパッケージPyradiomicsを使用してCT画像の関心領域（ROIs）からさまざまなタイプの放射線オミクス特徴を抽出しました。これらの画像は、それぞれ複数のフィルター（小波フィルター、平方、平方根、対数、指数、勾配、局所二値パターン2D（LBP2D）フィルターなど）で処理され、特徴は画像の事前処理フィルタータイプによって3つのグループに分類されます。

多视角图构建

多視点環境では、X_mをm視点の特徴行列、A_mをm視点の隣接行列として使用しました。ベースライン患者特徴（年齢、病理タイプ、PD-L1発現など）に基づいて患者間の類似性を計算し、多視点のグラフを構築しました。具体的な類似性計算方法と式は以下の通りです：

A_m(i, j) = s(x_{i, m}, x_{j, m}) \sum_{k=1}^{k}J(p_i^(k), p_j^(k)),
s(x_i, x_j) = exp(-\frac{c^2(x_i, x_j)}{2\sigma^2}),
c(x_1, x_2) = 1 - \frac{cov(x_1, x_2)}{\sigma(x_1) \sigma(x_2)},
J(p_i^(k), p_j^(k)) = \left\{
    \begin{array}{ll}
        1 & \text{if } |p_i^(k) - p_j^(k)| < \tau \\
        0 & \text{otherwise}
    \end{array}
\right.

提出的方法：多视角自适应加权图卷积网络（MVAW-GCN）

网络结构

本研究では、多視点自適応加重グラフ畳み込みネットワーク（MVAW-GCN）を提案し、3つのチャネルを含み、各チャネルは2層のグラフ畳み込みと1層の分離可能なグラフ畳み込み操作を含み、出力には視点共有と視点特定の埋め込みが含まれ、これらの埋め込みを注意メカニズムによって統合します。

グラフ畳み込みの公式は次の通りです：

H_m^(l) = ReLU(D_m^(∼) ^{-1/2}A_m^(∼) D_m^(∼)^{-1/2}H_m^{(l-1)}W_m^{(l)})

分離可能なグラフ畳み込み操作の出力計算式は次の通りです：

H_m = ReLU(D_m^(∼) ^{-1/2}A_m^(∼) D_m^(∼)^{-1/2} H_m^{(l-1)} W_m^s) + ReLU(D_m^(∼) ^{-1/2}A_m^(∼) D_m^(∼)^{-1/2} H_m^{(l-1)} W_c)

视角融合模块

視点融合モジュールは注意メカニズムを通じて各視点に自動適応重みを付与します。具体的な注意値の計算式は次の通りです：

h̃_i,m = tanh(W_att h_i,m + b_att),
α_i,m = softmax(v^t h̃_i,m)

視点重量は次の通りです：

h = ∑_m^M λ_m H_m

损失函数

多視点間の視点共有と視点特定情報を考慮し、本研究では2種類の損失関数：一貫性損失（consistency loss, L_c）と多様性損失（diversity loss, L_d）を導入しました。

一貫性損失：

L_c = \frac{1}{M} \sum_{m=1}^{M}||H_m^c - H^c||_F^2,
H^c = \frac{1}{M} \sum_{m=1}^{M} H_m^c

多様性損失：

L_d = \sum_{m_1=1}^{M}\sum_{m_2=1}^{m_2≠m_1}HSIC(H_m1^s, H_m2^s)

最終損失関数：

L = L_p + β_1 L_c + β_2 L_d

结果

本研究は107名のNSCLC患者からなるデータセットにおいて新たに提案された方法を検証し、有効な効果患者52名と無効な効果患者55名を含みます。本手法は効果予測において77.27%の正確性と0.7780のAUCに達し、NSCLC免疫療法の効果予測における有効性を示しました。

正確性の対比実験：本研究の手法は、単一の視点および単純な特徴の連結手法に比べて、複数の視点の放射線オミクス特徴を使用することで、正確性、感度、特異性およびF1スコアにおいて全体的に改善し、多視点学習の優位性を示しています。
損失関数の有効性分析：一貫性と多様性の損失を同時に考慮した場合、本手法は正確性とAUCにおいて最高の結果を達成し、視点間の共有情報と特定情報を総合的に考慮することの重要性を示しています。
注意機構の有効性：訓練過程において、注意機構は各視点の重みを動的に調整する能力を持ち、分類結果をより正確にする能力を実証しました。

研究意义

本研究は、多視点自適応加重グラフ畳み込みネットワークに基づく手法を提案し、画像と非画像情報を総合的に考慮することで、NSCLC免疫療法の効果予測の正確性を向上させました。本研究は、機械学習と放射線オミクスの医療分野への応用に新しい視点を提供し、臨床医療の意思決定に重要な参考として利用でき、治療前に患者が免疫療法から利益を得るかどうかを評価し、不必要な治療費および副作用リスクを減少させるのに役立ちます。

未来展望

本研究はNSCLC免疫療法の効果予測において顕著な成果を上げましたが、サンプル数の制限や単一センターのデータ問題などいくつかの制限があります。将来の研究では、複数センターのデータ収集と検証を考慮し、PD-L1発現など、より包括的なバイオマーカーの影響を研究することができます。

本研究は、多視点グラフ畳み込みネットワークを使用してNSCLC免疫療法の効果を予測するための説得力のある理論的および実験的な支持を提供し、この分野のさらなる研究の基盤を築きました。