「グリオブラストーマ患者におけるMGMTメチル化状態を予測するための機械学習アプローチ」

Machine Learning Approach for Predicting MGMT Methylation Status in Glioblastoma Patients

放射線遺伝子学とがん学

はじめに

今日は、自然、Scientific Reports誌に掲載された、神経膠芽腫患者におけるMGMTメチル化状態予測の向上を目指した研究について探求します。この研究の目的は、O6-メチルグアニン-DNA-メチルトランスフェラーゼ（MGMT）メチル化状態を予測することです。なぜこの状態を予測することが重要かというと、それが化学療法治療テモゾロミド（TMZ）の効果を示す良い指標になるからです。

テモゾロミドの概要

TMZは、がん細胞のDNAを損傷させることで働き、最終的には細胞死につながります。TMZはまた、細胞を放射線に対してより感受性を持たせます。これはがん治療において重要な要素であり、放射線はがん細胞を殺すのに役立ちます。

この研究は、機械学習を通じてMGMTメチル化状態を予測する新しい方法を見つけようと試みます。成功すれば、現在の腫瘍標本を取得するための技術的な制約や侵襲的な手順の一部を軽減するのに役立ちます。

• VoAGIニュース、7月26日：Googleによる無料の生成AIトレーニング•データエンジニアリング初心者ガイド•GPT-Engineer：あなたの新しいAIコーディングアシスタント
• 「ChatGPTにおける適切なプロンプト設計の必須ガイド」
• CleanLabを使用してデータセットのラベルエラーを自動的に検出する

神経膠芽腫（GBM）がんは、それを発症した患者に対して致命的なリスクをもたらすため、効率的かつ効果的に取り組むことが重要です。中央神経系悪性腫瘍の約45％を占め、中央値生存期間は14〜16ヶ月です。

方法

このチームは、適切なMGMTメチル化状態を予測するために、2段階のアプローチを活用しました。まず、ノイズのある放射線遺伝子学の特徴を排除し、次に遺伝アルゴリズムを用いて最良の予測特徴を特定するために分類アルゴリズムを実装しました。

この研究ではさまざまな機械学習手法がテストされました。目的は、予測に最も意味のある放射線遺伝子学の特徴を見つけることでした。これは、磁気共鳴画像（MRI）からの多様な画像から放射線遺伝子学の特徴を抽出することによって行われました。2段階の特徴選択手法は、eXtreme Gradient Boosting（XGBoost）モデルに続いて遺伝アルゴリズム（GA）ベースのラッパーモデルで開始されました。GAモデルは、自然選択と同様の方法で最良の予測特徴セットを特定します。

使用されたデータは、The Cancer Genome Atlasから前処理およびセグメンテーションされた多様なMRI特徴です。合計で53人のGBM患者が含まれ、704個の放射線遺伝子学の特徴が得られました。

遺伝アルゴリズムのワークフロー段階は、初期集団の生成、適応度評価、親の選択、交差、突然変異、および次世代のための集団置換の6つの異なるステップで構成されています。選択確率の式（特徴は適応度評価段階でのパフォーマンスに基づいて選択される）は以下の通りです：

XGBoostアルゴリズムから初期特徴が抽出された後、特徴を使用して患者がMGMTメチル化クラスまたはメチル化されていないクラスに属するかを予測するための分類を行いました。遺伝アルゴリズムワークフローの適応度評価部分には、3つの異なる機械学習アルゴリズムが実装されました。Random Forest（RF）、XGBoost、およびSupport Vector Machines（SVM）が使用されました。アルゴリズムを実装するために、Pythonの機械学習ライブラリSKlearnを利用しました。

結果

3つの異なるバージョンのアルゴリズムをトレーニングした後、モデルのパフォーマンスを正確性、特異性、リコールの3つの異なる尺度で評価しました。パフォーマンスの比較には、クロスバリデーションを20回実行し、評価にはコルモゴロフ-スミルノフ検定を使用しました。

最も優れた結果は、遺伝アルゴリズムに組み込まれたランダムフォレストアルゴリズム（GA-RF）によって達成されました。この技術は、すべての評価尺度で他の技術を上回り、正確性は0.925、感度は0.894、特異性は0.966でした。

GA-RFモデルが終了した後、最適な部分集合として22のラジオミクス特徴が得られました。これらの特徴の中には、17のテクスチャ特徴、3つのヒストグラムベースの特徴、1つのボリューム特徴、および1つの強度特徴が含まれています。テクスチャ特徴は、空間的な強度相関やボクセルの分布を反映することで、臨床医師が「多地域変動」を血流、浮腫、壊死の量化に役立てることができます。ヒストグラム特徴は、画像で発生する強度値の頻度分布を示すために使用できます。

拡張ユースケース

チームは、モデルのより広範な適用可能性をテストするために、学習済みの特徴を新しいデータセットに使用しました。今回使用されたデータセットは、低悪性度グリオーマ（LGG）の患者のためのものでした。彼らは学習済みの特徴を直接適用し、追加の特徴選択は行いませんでした。

LGGデータセット上のGA-RFモデルの結果は、正確度が0.75、感度が0.78、特異度が0.62でした。転移学習や微調整などは行われていませんが、これらは有望な結果です。

LGGデータセットに適用された特徴による強力なパフォーマンスを得たことで、研究者はこれらの特徴が他の類似した疾患に再利用される可能性があることを示すことができました。

制約事項

この技術の潜在的な制約事項は、少数の患者によるものであり、研究者は高次元関連の問題に直面する可能性があります。これは、特徴の数が利用可能なトレーニングデータの量と比較して高い場合に発生します。これが起こると、データと目標変数の正確な関係を学ぶことが困難になる可能性があります。

高次元の問題は、この研究に限らず、ラジオミクスの領域で広く問題とされています。この制約を克服するために、チームはクロスバリデーションを使用して、受け取った結果により確信を持つようにしました。

クロスバリデーションの概要

クロスバリデーションは、トレーニングとテストに使用されるデータを検証の各イテレーションごとに異なるグループに分割することで機能します。これを複数回行い、結果の平均を取ることで、モデルが繰り返し結果を得ることができるという自信を持つことができます。

がん治療では、腫瘍の特性とグレードに頼って、化学療法、放射線療法、手術などの治療を最適化することが求められます。

結論

この技術が開発され、最終的に利用されるようになれば、医師が患者のMGMTメチル化状態を非侵襲的に理解する手段となる可能性があります。この情報は、患者の予後を改善するためにより情報を持って治療の意思決定をすることを支援することができます。これはまた、他の潜在的な方法でラジオミクスが腫瘍学で活用される可能性を広げるものです。

Do, D.T., Yang, MR., Lam, L.H.T. et al. Improving MGMT methylation status prediction of glioblastoma through optimizing radiomics features using genetic algorithm-based machine learning approach. Sci Rep 12, 13412 (2022). https://doi.org/10.1038/s41598-022-17707-w

Eberhart, Karin, Ozlem Oral, and Devrim Gozuacik. “Chapter 13 — Induction of Autophagic Cell Death by Anticancer Agents.” ScienceDirect, 2014, https://www.sciencedirect.com/topics/neuroscience/temozolomide#:~:text=Temozolomide%20(TMZ)%20is%20a%20small,damage%20and%20tumor%20cell%20death. Accessed 12 July 2023.

National Cancer Institute. ‘Trials Produce Practice-Changing Results for Brain Cancer.’ Cancer Currents Blog, 9 June 2016, https://www.cancer.gov/news-events/cancer-currents-blog/2016/asco-temozolomide-brain. Accessed 18 July 2023.

American Cancer Society. “How Chemotherapy Drugs Work.” American Cancer Society, 22 Nov. 2019, https://www.cancer.org/treatment/treatments-and-side-effects/treatment-types/chemotherapy/how-chemotherapy-drugs-work.html. Accessed 25 July 2023.

European Society for Medical Oncology. “MGMT Promoter Methylation in Glioma: ESMO Biomarker Factsheet.” Oncology Pro, [updated 2019 Jan 18], https://oncologypro.esmo.org/education-library/factsheets-on-biomarkers/mgmt-promoter-methylation-in-glioma. Accessed 9 July 2023.

Creative Commons license link: https://creativecommons.org/licenses/by/4.0/

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!