Automated real-world data integration improves cancer outcome prediction
| 項目 | 内容 |
|---|---|
| 論文ID | P53 |
| 区分・分類 | 論文・データ整備 |
| 著者・所属 | Justin Jee, Christopher Fong, Karl Pichotta, Thinh Ngoc Tran, Anisha Luthra（共同筆頭）ほか計68名＋MSK Cancer Data Science Initiative Group、責任著者 Nikolaus Schultz／Memorial Sloan Kettering Cancer Center、Dana Farber Cancer Institute、Caris Life Sciences、Weill Cornell Medicine |
| 発表先 | Nature |
| 発表日 | 2024-11-06 |
| 引用数 | 186（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1038/s41586-024-08167-5 |
| 保存済み（論文/pdf/P53.pdf、nature.com のオープンアクセス版） | |
| 読んだ範囲 | 全文 |
論文タイプ
応用。既存の Transformer 言語モデルを臨床文書の自動構造化に適用し、統合データセットの構築と予後予測に使った研究のため。
研究の目標
患者データは自由記述テキストや、病院・学術・商業に分かれたデータセットに散らばり、既存研究は手作業の抽出に頼る小規模コホートにとどまる。本論文は、診療ノート・放射線・病理レポートを NLP で自動アノテーションし、治療・生存・腫瘍登録・人口統計・ゲノムの構造化データと統合した MSK-CHORD を作り、全生存（OS）予測が AJCC 病期など単一モダリティより改善するか、臓器別転移に関わるゲノム特徴を見つけられるかを検証する。
技術的なやり方
AACR Project GENIE BPC の手作業キュレーションのうち MSK 分（3,202患者、放射線レポート38,719件）を教師データにした。
| 抽出対象 | 入力 | 手法 |
|---|---|---|
| 進行・腫瘍部位・癌の有無 | 放射線レポートの impression | RoBERTa、ClinicalBERT、BERT |
| 院外での前治療・HER2・ホルモン受容体 | 診療ノート | Clinical-Longformer |
| 喫煙・PDL1・Gleason・MMR | 診療ノート・病理レポート | 正規表現ルール |
- MSK-CHORD：24,950患者（NSCLC・乳・大腸・前立腺・膵）、ゲノムは MSK-IMPACT。cBioPortal で公開
- OS予測：random survival forest を変数群ごとと全変数で学習。5分割交差検証と MSK 以外の BPC で外部検証
- 転移：705,241件の放射線レポートを縦断アノテーションし、Cox 比例ハザードで解析
結果
- NLP：全モデルで AUC >0.9、precision・recall >0.78。不一致例の多くは手作業ラベル側の誤りだった。転移部位は請求コードより precision・recall が0.03〜0.32改善
- PDL1 と OS の関係：MSK-BPC（n=29）は HR 0.58（P=0.07）、MSK-CHORD（n=754）は HR 0.64（95%CI 0.54–0.77、P<0.001）
- OS予測：全がん種で全変数モデルが病期のみのモデルを上回った。stage IV では NLP 由来の腫瘍部位のみのモデルがゲノムのみより高い。全変数モデルの c-index は0.58（stage IV 膵）〜0.83（stage I–III 乳）で、外部検証でもおおむね一貫
- SETD2 変異 LUAD（204/5,957例）は OS が長く CNS 転移が少なく、免疫療法の効果が長い。独立2コホートでも確認
限界・課題
- シーケンス時点での登録は無作為でなく進行例に偏り、予後モデルの一般化に影響しうる
- 併存疾患・症状が未収録で、交絡がありうる。患者はニューヨーク・ニュージャージー周辺に偏る
- NLP 性能は陽性例数に依存。腫瘍マーカーは BPC で疎なため外部検証で性能が下がった。膵癌の OS 予測は難しい
要点
診療記録の自由記述を Transformer で自動構造化し、ゲノム・治療データと統合した2.5万人規模のがん実臨床データセット MSK-CHORD を構築・公開した。 NLP 抽出は手作業に近い精度で、腫瘍部位など NLP 由来の変数を含むモデルは病期やゲノムだけより OS を良く予測した。