非小細胞肺がん生存率のためのディープラーニングモデルの開発と検証

Development and Validation of a Deep Learning Model for Non-Small Cell Lung Cancer Survival.

• Yunlang She
• Zhuochen Jin
• Junqi Wu
• Jiajun Deng
• Lei Zhang
• Hang Su
• Gening Jiang
• Haipeng Liu
• Dong Xie
• Nan Cao
• Yijiu Ren
• Chang Chen

抄録

重要性:

非小細胞肺癌（NSCLC）における深層学習生存ニューラルネットワークの性能を探求した研究は不足している。

Importance: There is a lack of studies exploring the performance of a deep learning survival neural network in non-small cell lung cancer (NSCLC).

目的:

生存予測における腫瘍、結節、転移の病期分類システムと深層学習生存ニューラルネットワークDeepSurvの性能を比較し、深層学習生存ニューラルネットワークが提供する個々の治療推奨の信頼性を検証すること。

Objectives: To compare the performances of DeepSurv, a deep learning survival neural network with a tumor, node, and metastasis staging system in the prediction of survival and test the reliability of individual treatment recommendations provided by the deep learning survival neural network.

デザイン、設定、参加者:

この集団ベースのコホート研究では、Surveillance, Epidemiology, End Resultsデータベースで2010年1月から2015年12月までの間に新たに診断されたI期～IV期のNSCLCの連続症例を用いて、ディープラーニングベースのアルゴリズムを開発し、検証した。解析には、患者の特徴、腫瘍病期、治療戦略を含む合計 127 の特徴を評価した。このアルゴリズムは、2009年1月から2013年12月の間に上海肺病院で診断されたI～III期のNSCLC患者1182人からなる独立した試験コホートで外部検証された。解析は2018年1月に開始し、2019年6月に終了した。

Design, Setting, and Participants: In this population-based cohort study, a deep learning-based algorithm was developed and validated using consecutive cases of newly diagnosed stages I to IV NSCLC between January 2010 and December 2015 in a Surveillance, Epidemiology, and End Results database. A total of 127 features, including patient characteristics, tumor stage, and treatment strategies, were assessed for analysis. The algorithm was externally validated on an independent test cohort, comprising 1182 patients with stage I to III NSCLC diagnosed between January 2009 and December 2013 in Shanghai Pulmonary Hospital. Analysis began January 2018 and ended June 2019.

主なアウトカムと対策:

深層学習生存ニューラルネットワークモデルを、肺癌特異的生存のための腫瘍、結節、転移の病期分類システムと比較した。モデルの性能を評価するためにC統計量を用いた。深層学習生存ニューラルネットワークモデルの生存予測と治療推奨を容易にするために、ユーザーフレンドリーなインターフェースを提供した。

Main Outcomes and Measures: The deep learning survival neural network model was compared with the tumor, node, and metastasis staging system for lung cancer-specific survival. The C statistic was used to assess the performance of models. A user-friendly interface was provided to facilitate the survival predictions and treatment recommendations of the deep learning survival neural network model.

研究成果:

本研究に含まれたNSCLC患者17322人のうち、13361人（77.1％）は白人で、年齢中央値（中間値幅）は68歳（61～74歳）であった。腫瘍の大部分はI期病変（10273人［59.3％］）と腺癌（11985人［69.2％］）であった。追跡期間中央値（四分位間距離）は24（10～43）ヵ月であった。追跡期間中に肺がんに関連して死亡した患者は3119人であった。ディープラーニング生存ニューラルネットワークモデルは、試験データセット上の腫瘍、結節、転移ステージよりも肺がん特異的生存の予測において有望な結果を示した（C統計量＝0.739 vs. 0.706）。推奨治療を受けた集団は、推奨されない治療を受けた集団よりも優れた生存率を示した（ハザード比2.99、95％CI、2.49-3.59、P<0.001）ことが、プロペンシティスコアをマッチさせたグループで検証された。深層学習生存ニューラルネットワークモデルの可視化は、ユーザーフレンドリーなグラフィックインターフェースによって実現された。

Results: Of 17 322 patients with NSCLC included in the study, 13 361 (77.1%) were white and the median (interquartile range) age was 68 (61-74) years. The majority of tumors were stage I disease (10 273 [59.3%]) and adenocarcinoma (11 985 [69.2%]). The median (interquartile range) follow-up time was 24 (10-43) months. There were 3119 patients who had lung cancer-related death during the follow-up period. The deep learning survival neural network model showed more promising results in the prediction of lung cancer-specific survival than the tumor, node, and metastasis stage on the test data set (C statistic = 0.739 vs 0.706). The population who received the recommended treatments had superior survival rates than those who received treatments not recommended (hazard ratio, 2.99; 95% CI, 2.49-3.59; P < .001), which was verified by propensity score-matched groups. The deep learning survival neural network model visualization was realized by a user-friendly graphic interface.

結論と関連性:

深層学習生存ニューラルネットワークモデルは、肺癌特異的生存に関して予後評価と治療推奨に潜在的な利益を示す。この新規な解析アプローチは、信頼性の高い個別の生存情報と治療勧告を提供する可能性がある。

Conclusions and Relevance: The deep learning survival neural network model shows potential benefits in prognostic evaluation and treatment recommendation with respect to lung cancer-specific survival. This novel analytical approach may provide reliable individual survival information and treatment recommendations.