Fully transformer-based biomarker prediction from colorectal cancer histology: a large-scale multicentric study

Fully transformer-based biomarker prediction from colorectal cancer histology: a large-scale multicentric study

1. 学術的背景と「問い」：
深層学習（DL）は、大腸癌の通常の病理スライドから予測と予後のバイオマーカーを抽出することができます。例えば2022年には、DLを用いた大腸癌の微小衛星不安定性（MSI）診断の試験が承認されています。現行の手法は畳み込みニューラルネットワーク（CNN）に依存していますが、最近ではトランスフォーマーネットワークがCNNを上回り多くのアプリケーションでこれを置き換えています。しかし、大規模ながんのバイオマーカー予測にはまだ用いられていません。また、ほとんどのDL手法は小規模な患者コホートで訓練され、臨床での応用が制限されています。

2. 研究の目的と独自性：
本研究では、病理スライドからのエンドツーエンドのバイオマーカー予測のための新しい全くのトランスフォーマーベースのパイプラインを開発しました。これは、事前に学習済みのトランスフォーマーエンコーダーとパッチの集約用のトランスフォーマーネットワークを組み合わせたもので、患者レベルでの単一および複数目標の予測が可能です。

3. 着想と研究の位置づけ：
畳み込みニューラルネットワークからトランスフォーマーネットワークへの移行は、深層学習の新たなトレンドになっています。我々は、このトランスフォーマーネットワークががんバイオマーカー予測の分野にどのように応用できるかを研究しました。

4. 明らかにしたこと：
全トランスフォーマーベースのアプローチは、性能、一般化能力、データ効率、解釈可能性で現行の最新アルゴリズムを大きく上回ります。大規模な多センターコホートでトレーニングした後、我々は手術切除標本に対するMSI予測の感度を0.97、陰性予測値を0.99とする結果を得ました。これは、切除標本のみでの訓練が結腸内視鏡生検組織でのモデルの成績を向上させ、長年の診断問題を解消することを説明しています。

5. 有効性の検証：
数千の病理スライドで訓練した全トランスフォーマーベースのエンドツーエンドパイプラインは、手術切除物と生検物に対するバイオマーカー予測で臨床クラスの性能を発揮します。我々の新しい方法は、オープンソースライセンスのもとで自由に利用することができます。