肺がん マルチオミクス デジタル ヒューマン アバターによるプレシジョン メディシンの臨床実践への統合 (LANTERN)

患者登録とオミクス データ収集 この WP の目的は、肺がんの包括的な診断と治療のワークフローにおける意思決定支援のために、臨床的に重要と見なされるすべての臨床およびオミクス ベースのデータ ソースから情報を収集することです。 構造化された用語体系は、特定の症例報告フォーム (CRF) による将来のデータ収集のために開発されます。

患者は専用の研究登録センターによって登録され、5 つのオミックスベースの変数から得られたデータが収集され、安全なデータベースに記録されます。

オミックスデータのアーカイブと相互運用性 この WP の主な目的は、既存のアーカイブシステムと新しいアーカイブシステムの両方に完全なデータ統合を可能にし、収集されたオミックスデータを簡単かつ効果的に使用および共有できるようにすることです。

考慮されるさまざまなオミクスドメインを表す収集されたすべてのデータは、共有された共通のオントロジーに従って記録されます。 共有された一般的なオントロジーは、データのアーカイブと分析のための構造化された用語体系を表し、すべての異なるオミクス ドメインが特定の eCRF に記録され、収集されたすべてのデータ変数の一貫性が保証されます。 最後に、収集されたオミクス関連データは、ラジオミック分析を受け、ラジオミック機能が抽出されます。

Omics データ モデリング、デジタル ヒューマン アバター (DHA) の作成と検証

この WP は、正確な予測モデルの開発 (デジタル ヒューマン アバター (DHA) の作成による) とその検証に重点を置いています。 この WP の目的は、効果的な一次バイオマーカーを特定し、コンパクトな統計モデルを通じてそれらを調和させ、その後、各患者に固有の患者固有の DHA を作成することです。 前述のすべてのオミクス データを、完全に個別化された革新的な肺がん統合意思決定支援システムの基礎となる予測モデルに統合する予定です。 この WP は 3 つのフェーズに分かれています。

フェーズ 1: オミクス機能の識別と選択 フェーズ 2: 予測モデルの開発と DHA の作成 フェーズ 3: 予測モデルと DHA の検証

オミクス機能の識別と選択:

最初のステップでは、推定約 240 人の NSCLC 患者から収集されたすべてのデータセットにわたる探索的分析により、バイオマーカーの特定プロセスの開始が可能になり、潜在的なバイオマーカーのより選択されたプールにキャストされる情報量が制限されます。 この第 1 段階では、個々の統計分布、特徴に関連する相関、および一般的な記述統計を考慮して、単変量設定で関連する変数を特定するために、堅牢なデータ分析手法を採用します。

予測モデルの開発と DHA の作成:

第 2 段階の目的は、高度な ML および AI 技術によってトレーニングされる複数の異なるモジュール式多変量モデルを作成し、関心のある特定のモジュール式領域にセグメント化し、その後 DHA を作成することです。 ロジスティック回帰、デシジョン ツリー、サポート ベクター マシン、ランダム フォレスト、XGBoost 分類器、人工ニューラル ネットワークなど、さまざまな教師ありモデルが開発されます。 ハイパーパラメータの調整には k 分割交差検証が使用され、ML モデルのパフォーマンスの統計的有意性比較が実行されます。 これは、精度 (患者の総数に対して正しく分類された被験者の数) と精度 (テスト陽性の総数に対する真の陽性、再現率 (感度)、F1 スコア (2*精度*再現率/(精度)) に基づいて予測性能を評価するために行われます。 +recall))) および AUC-ROC。

DHAの作成には、特定のアルゴリズムをデータ抽出パイプラインに統合して、データの流れをきれいにして再構築すると同時に、テキストマイニングと自然言語処理技術を非構造化テキストに適用します。 この前処理の結果は、重複を明らかにするために、特別に割り当てられたオントロジーを通じて再コード化されます。 これにより、新しいデータで継続的かつ自動的に更新されるデータ マートが作成されます。 すでに処理された利用可能なデータに基づいて、開発されたアルゴリズムとその基盤となるインフラストラクチャを使用して、インターフェースを使用して臨床医が新たに更新された患者データ入力を分類します。 動的インターフェースを介して提示される結果データにより、データベースにすでに存在する以前に追加された患者データを徹底的に調査し、過去のデータと臨床医の経験に基づいて最善の行動方針を推測できます。 これにより、カスタム基準に基づいて情報をクラスタリングすることで、ユーザーの仮説ジェネレーターとして機能する、より一般化された探索ワークフローにつながり、利用可能なデータの探索的分析が生成されます。

研究者らは、このプロセスを開始するには、完全なデータを含む約 300 の NSCLC 症例で十分であると推定しています。 ユーザーの使いやすさとモデルの説明可能性の両方が、モデル開発戦略の主要な基準となります。 SHAP (SHApley Additive expPlanations) 値などの簡単に解釈できる値が各モデルに添付され、臨床医との対話中にモデル出力を患者に説明するのが困難になる可能性のあるブラックボックスアプローチを回避します。

予測モデルと DHA の検証: 開発されたモデルと包括的な DHA の両方が検証され、その堅牢性、転送可能性、および一般化可能性がテストされます。 内部検証手法と外部検証手法という 2 つの連続した検証戦略がそれぞれ採用されます。 検証プロセスを開始するには、合計で約 420 の NSCLC 症例が推定されます。 このプロセスには、内部検証と外部検証の両方が含まれます。