注目論文：深層学習モデルによる進行非小細胞肺癌の免疫療法反応予測
呼吸器内科
進行非小細胞肺癌（NSCLC）における免疫チェックポイント阻害薬（ICI）の治療反応予測に、深層学習モデルを適用した意欲的な多施設研究です。H&E染色標本の全スライド画像のみから構築されたAIモデルが、PD-L1発現率と同等以上の予測力を示した点が画期的です。特に注目すべきは、このモデルとPD-L1スコアを組み合わせることで、PD-L1単独よりも治療反応率の予測性能が向上している点です。AIによる画像解析が、既存のバイオマーカーを補完し得ることを示した重要な研究と言えます。
Deep Learning Model for Predicting Immunotherapy Response in Advanced Non-Small Cell Lung Cancer
進行非小細胞肺癌における免疫療法反応予測のための深層学習モデル
Rakaee M, Tafavvoghi M, Ricciuti B, Alessi JV, Cortellini A, Citarella F, Nibid L, Perrone G, Adib E, Fulgenzi CAM, Hidalgo Filho CM, Di Federico A, Jabar F, Hashemi S, Houda I, Richardsen E, Rasmussen Busund LT, Donnem T, Bahce I, Pinato DJ, Helland Å, Sholl LM, Awad MM, Kwiatkowski DJ.
JAMA Oncol. 2025 Feb 1;11(2):109-118. doi: 10.1001/jamaoncol.2024.5356
https://jamanetwork.com/journals/jamaoncology/fullarticle/2828578
進行非小細胞肺癌における免疫療法反応予測のための深層学習モデル
Rakaee M, Tafavvoghi M, Ricciuti B, Alessi JV, Cortellini A, Citarella F, Nibid L, Perrone G, Adib E, Fulgenzi CAM, Hidalgo Filho CM, Di Federico A, Jabar F, Hashemi S, Houda I, Richardsen E, Rasmussen Busund LT, Donnem T, Bahce I, Pinato DJ, Helland Å, Sholl LM, Awad MM, Kwiatkowski DJ.
JAMA Oncol. 2025 Feb 1;11(2):109-118. doi: 10.1001/jamaoncol.2024.5356
背景：
進行非小細胞肺癌（NSCLC）患者のうち、免疫チェックポイント阻害薬（ICI）治療に反応するのはごく一部である。NSCLCの最適な個別化治療のためには、免疫療法から最も恩恵を受ける可能性の高い患者を特定することが不可欠である。
研究デザイン：この多施設コホート研究では、進行NSCLC患者におけるICI治療効果を予測するための、ヘマトキシリン・エオジン染色全スライド画像を用いた教師あり深層学習ベースの反応層別化モデルを開発・独立検証した。モデル開発と検証のための画像は、2014年8月から2022年12月の間に、米国の1施設と欧州連合（EU）の3施設から取得された。データ分析は2022年9月から2024年5月にかけて実施された。対象は免疫チェックポイント阻害薬の単剤療法を受けた患者で、主なアウトカム指標はモデルの臨床的エンドポイントとしての性能と、他の予測バイオマーカー（PD-L1、腫瘍変異量（TMB）、腫瘍浸潤リンパ球（TILs））と比較した客観的奏効率（ORR）の識別能力であった。
結果：
NSCLCに対してICIで治療された958人（平均年齢66.0±10.6歳、女性456人[48%]、男性502人[52%]）から得られた295,581枚の画像タイルが分析に含まれた。米国ベースの開発コホートは614人、追跡期間中央値54.5ヶ月（IQR 38.2-68.1）、EU検証コホートは344人、追跡期間43.3ヶ月（IQR 27.4-53.9）であった。ICIへのORRは開発コホートで26%、検証コホートで28%であった。深層学習モデルのORRに対するAUC（受信者動作特性曲線下面積）は内部テストセットで0.75（95%CI, 0.64-0.85）、検証コホートで0.66（95%CI, 0.60-0.72）であった。多変量解析では、深層学習モデルのスコアは検証コホートにおいて、無増悪生存期間（ハザード比0.56; 95%CI, 0.42-0.76; P<.001）と全生存期間（ハザード比0.53; 95%CI, 0.39-0.73; P<.001）の両方に対するICI反応の独立した予測因子であった。調整された深層学習モデルは内部セットではTMB、TILs、PD-L1よりも高いAUCを達成し、検証コホートではTILsより優れ、PD-L1（AUC 0.67; 95%CI, 0.60-0.74）と同等であり、特異度が10パーセントポイント改善された。検証コホートでは、深層学習モデルとPD-L1スコアを組み合わせることでAUC 0.70（95%CI, 0.63-0.76）を達成し、いずれの単独マーカーよりも優れ、PD-L1（≥50%）単独の41%と比較して51%の奏効率を示した。
結論：
本コホート研究の結果は、様々なコホートにおけるNSCLC患者のICI反応と強く独立して関連する深層学習ベースの特徴を示している。この深層学習モデルの臨床使用により、治療精度が向上し、進行NSCLCの治療においてICIから恩恵を受ける可能性の高い患者をより適切に特定できる可能性がある。
進行非小細胞肺癌（NSCLC）患者のうち、免疫チェックポイント阻害薬（ICI）治療に反応するのはごく一部である。NSCLCの最適な個別化治療のためには、免疫療法から最も恩恵を受ける可能性の高い患者を特定することが不可欠である。
研究デザイン：この多施設コホート研究では、進行NSCLC患者におけるICI治療効果を予測するための、ヘマトキシリン・エオジン染色全スライド画像を用いた教師あり深層学習ベースの反応層別化モデルを開発・独立検証した。モデル開発と検証のための画像は、2014年8月から2022年12月の間に、米国の1施設と欧州連合（EU）の3施設から取得された。データ分析は2022年9月から2024年5月にかけて実施された。対象は免疫チェックポイント阻害薬の単剤療法を受けた患者で、主なアウトカム指標はモデルの臨床的エンドポイントとしての性能と、他の予測バイオマーカー（PD-L1、腫瘍変異量（TMB）、腫瘍浸潤リンパ球（TILs））と比較した客観的奏効率（ORR）の識別能力であった。
結果：
NSCLCに対してICIで治療された958人（平均年齢66.0±10.6歳、女性456人[48%]、男性502人[52%]）から得られた295,581枚の画像タイルが分析に含まれた。米国ベースの開発コホートは614人、追跡期間中央値54.5ヶ月（IQR 38.2-68.1）、EU検証コホートは344人、追跡期間43.3ヶ月（IQR 27.4-53.9）であった。ICIへのORRは開発コホートで26%、検証コホートで28%であった。深層学習モデルのORRに対するAUC（受信者動作特性曲線下面積）は内部テストセットで0.75（95%CI, 0.64-0.85）、検証コホートで0.66（95%CI, 0.60-0.72）であった。多変量解析では、深層学習モデルのスコアは検証コホートにおいて、無増悪生存期間（ハザード比0.56; 95%CI, 0.42-0.76; P<.001）と全生存期間（ハザード比0.53; 95%CI, 0.39-0.73; P<.001）の両方に対するICI反応の独立した予測因子であった。調整された深層学習モデルは内部セットではTMB、TILs、PD-L1よりも高いAUCを達成し、検証コホートではTILsより優れ、PD-L1（AUC 0.67; 95%CI, 0.60-0.74）と同等であり、特異度が10パーセントポイント改善された。検証コホートでは、深層学習モデルとPD-L1スコアを組み合わせることでAUC 0.70（95%CI, 0.63-0.76）を達成し、いずれの単独マーカーよりも優れ、PD-L1（≥50%）単独の41%と比較して51%の奏効率を示した。
結論：
本コホート研究の結果は、様々なコホートにおけるNSCLC患者のICI反応と強く独立して関連する深層学習ベースの特徴を示している。この深層学習モデルの臨床使用により、治療精度が向上し、進行NSCLCの治療においてICIから恩恵を受ける可能性の高い患者をより適切に特定できる可能性がある。