[論文レビュー] Efficient AI-Driven Multi-Section Whole Slide Image Analysis for Biochemical Recurrence Prediction in Prostate Cancer

Yesung Cho, Dong-Myung Shin+6 more|arXiv (Cornell University)|Mar 17, 2026

AI in cancer detection被引用数 0

ひとこと要約

本論文は、多セクションの全スライド画像を分析して前立腺摘除後の生化学的再発(BCR)を予測するAIフレームワークを提案し、1年および2年の予測性能が高く、大規模な多スライドデータセットでの外部検証にも成功した。

ABSTRACT

Prostate cancer is one of the most frequently diagnosed malignancies in men worldwide. However, precise prediction of biochemical recurrence (BCR) after radical prostatectomy remains challenging due to the multifocality of tumors distributed throughout the prostate gland. In this paper, we propose a novel AI framework that simultaneously processes a series of multi-section pathology slides to capture the comprehensive tumor landscape across the entire prostate gland. To develop this predictive AI model, we curated a large-scale dataset of 23,451 slides from 789 patients. The proposed framework demonstrated strong predictive performance for 1- and 2-year BCR prediction, substantially outperforming established clinical benchmarks. The AI-derived risk score was validated as the most potent independent prognostic factor in a multivariable Cox proportional hazards analysis, surpassing conventional clinical markers such as pre-operative PSA and Gleason score. Furthermore, we demonstrated that integrating patch and slide sub-sampling strategies significantly reduces computational cost during both training and inference without compromising predictive performance, and generalizability of AI was confirmed through external validation. Collectively, these results highlight the clinical feasibility and prognostic value of the proposed AI-based multi-section slide analysis as a scalable tool for post-operative management in prostate cancer.

研究の動機と目的

• 癌腫瘍の多 focal性にもかかわらず、Radical prostatectomy後の生化学的再発(BCR)の正確な予測を動機づける。
• 前立腺腺の全腫瘍景観を捉えるため、複数の病理スライドを処理するAIフレームワークを開発する。
• 1年および2年のBCR予測性能を臨床ベンチマークと比較して評価する。
• 多変量予後モデルにおけるAI由来リスクスコアの統計的独立性を評価する。
• 性能を損なうことなくパッチおよびスライドのサブサンプリングで計算効率を示す。

提案手法

• 一連の多セクション病理スライドを処理して包括的な腫瘍景観を捉える。
• 23,451枚のスライド、789人の患者からなる大規模データセットでAIモデルを訓練する。
• 確立された臨床ベンチマークと比較して1年および2年のBCR予測性能を評価する。
• AI由来リスクスコアが多変量Coxモデルにおける強力な独立予後因子であることを示す。
• 訓練および推論コストを削減するためにパッチおよびスライドのサブサンプリング戦略を組み込む。
• 外部検証で一般化可能性を検証する。

実験結果

リサーチクエスチョン

• RQ1 多セクションWSI解析は従来の臨床マーカーよりも1年および2年のBCR予測を改善できるか。
• RQ2 AI由来リスクスコアは多変量Cox分析における独立した予後因子か。
• RQ3 パッチおよびスライドのサブサンプリングは計算コストを削減しつつ予測性能を維持できるか。
• RQ4 モデルは訓練コホートを超えた外部データセットに一般化できるか。

主な発見

• フレームワークは1年および2年のBCR予測で強い予測性能を達成した。
• AI由来リスクスコアは多変量Cox分析において最も有力な独立予後因子として出現し、術前PSAおよびグリソン得点を上回った。
• 外部検証によりAIアプローチの一般化可能性を確認した。
• パッチおよびスライドのサブサンプリングは訓練と推論の計算コストを大幅に削減しつつ性能を損なわなかった。
• 本研究は789人の患者から23,451枚のスライドという大規模データセットを使用した。
• 本アプローチは前立腺癌の術後管理に臨床的に実現可能であると示された。