[論文レビュー] Quantitative in vivo imaging to enable tumor forecasting and treatment optimization

Guillermo Lorenzo, David A. Hormuth+7 more|arXiv (Cornell University)|Feb 24, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 120被引用数 6

ひとこと要約

本論文は、MRI や PET などの定量的体内イメージングデータと、患者に特化した腫瘍成長および治療反応の数学的モデルを統合する、パーソナライズドな腫瘍予測フレームワークを提案する。イメージングから得られる生物学的パラメータを用いてモデルをキャリブレーションし、逆問題、最適制御、モデル選択の手法を適用することで、個別化された治療戦略のシミュレーション的予測と最適化が可能となり、集団平均基準をはるかに超える精度のがん医療の実現に貢献する。

ABSTRACT

Current clinical decision-making in oncology relies on averages of large patient populations to both assess tumor status and treatment outcomes. However, cancers exhibit an inherent evolving heterogeneity that requires an individual approach based on rigorous and precise predictions of cancer growth and treatment response. To this end, we advocate the use of quantitative in vivo imaging data to calibrate mathematical models for the personalized forecasting of tumor development. In this chapter, we summarize the main data types available from both common and emerging in vivo medical imaging technologies, and how these data can be used to obtain patient-specific parameters for common mathematical models of cancer. We then outline computational methods designed to solve these models, thereby enabling their use for producing personalized tumor forecasts in silico, which, ultimately, can be used to not only predict response, but also optimize treatment. Finally, we discuss the main barriers to making the above paradigm a clinical reality.

研究の動機と目的

• 集団平均に基づくがん医療意思決定の限界を克服し、個別化された腫瘍予測を可能にする。
• 臨床的関連性の高いイメージングデータを用いて、がんの数学的モデルにおける患者特異的パrameter化の課題を克服する。
• イメージングデータを予測的で患者特異的な腫瘍予測に変換する計算フレームワークを開発し、臨床意思決定支援を実現する。
• 最適制御理論とモデル検証を支援するシミュレーションを通じて、治療プロトコルの最適化を実現する。
• 前臨床モデリングと臨床応用のギャップを埋めるために、実装に向けた主要な障壁を特定し、それらを克服する。

提案手法

• MRI や PET などの定量的体内イメージングモダリティを活用し、腫瘍細胞密度、灌流、微小環境的特徴の空間時間的データを抽出する。
• 逆問題ソルブを用いて、患者特異的なイメージングデータを基に、メカニズムに基づく腫瘍成長および治療反応の数学的モデルをキャリブレーションする。
• 有限要素法、有限差分法、およびアイソジオメトリック解析法を用いて、腫瘍ダイナミクスを記述する偏微分方程式を数値的に解く。
• 感度分析およびモデル選択技術（例：OPAL）を用い、複雑さとデータ適合性のバランスを取った、最も妥当で予測力のあるモデルを同定する。
• 最適制御理論（OCT）を用いて、患者特異的モデル予測を基盤に、シミュレーション上で治療プロトコルを設計・最適化する。
• 正則化および不確実性を考慮した逆問題戦略を採用し、モデルキャリブレーションにおけるイメージングデータの不適切さやノイズの影響を軽減する。

実験結果

リサーチクエスチョン

• RQ1 定量的体内イメージングデータを、どのように体系的に活用して患者特異的な腫瘍成長および治療反応の数学的モデルをパラメータ化できるか？
• RQ2 生物学的に根拠のある複雑な腫瘍モデルを解くために、最も効果的で、正確性と計算効率を両立させる計算手法は何か？
• RQ3 OPAL などのモデル選択および検証フレームワークをどのように適用することで、データ不足や不確実性の状況下でも予測モデルの堅牢性と信頼性を確保できるか？
• RQ4 最適制御理論は、シミュレーションを通じて、臨床的に妥当かつ効果的な治療プロトコルをどの程度まで生成できるか？
• RQ5 画像に基づく計算的腫瘍予測を日常臨床のがん医療に実装するにあたり、主な障壁は何であるか？

主な発見

• MRI や PET から得られる腫瘍細胞密度、血液体積分率、灌流などの定量的イメージングデータは、患者特異的腫瘍モデルのキャリブレーションに不可欠な入力となる。
• 逆問題によるモデルキャリブレーションにより、増殖率や死滅率などの、通常は体内で直接測定が困難な主要な生物学的パラメータを推定可能となる。
• 有限要素法およびアイソジオメトリック解析の統合により、複雑な解剖的環境における腫瘍ダイナミクスの正確な空間的・時間的シミュレーションが可能となる。
• OPAL を用いたモデル選択は、データ不足やノイズの状況下でも、予測精度とモデルの複雑さのバランスを取ることで、モデルの信頼性を向上させる。
• 最適制御理論を用いることで、シミュレーション上での個別化された治療プロトコルの設計が可能となり、標準的治療プロトコルを上回る効果が再現可能となる。
• 強力な前臨床的成果が得られているものの、臨床への移行には、データ品質、モデルの不確実性、および計算的に導かれたプロトコルの有効性を検証するための治験の実施が不可欠であるという課題が存在する。