ディープラーニング病理画像解析プラットフォームPath-IO、肺がん免疫療法の効果を高精度に予測
Path-IOと呼ばれるディープラーニング病理画像解析プラットフォームは、日常的な病理スライドを用いて非小細胞肺がん（NSCLC）患者の転帰と免疫療法の反応を正確に予測し、現在の標準バイオマーカーであるPD-L1を上回った。このモデルは複数のコホートで検証され、放射線画像解析（radiomics）および臨床データと組み合わせることでさらに精度が向上した。検証されれば、臨床ワークフローに容易に統合できる可能性がある。
米国がん研究協会（AACR）2026年年次総会で発表された研究によると、ディープラーニングに基づく病理画像解析プラットフォームは、転移性非小細胞肺がん（NSCLC）患者における免疫療法の転帰と反応を正確に予測した。生物学に基づいた人工知能モデル「Pathology-driven Immunotherapy Optimization（Path-IO）」は、日常的な病理スライドに適用され、現在の標準治療バイオマーカーであるPD-L1を上回る性能を示した。
研究者らは、Path-IOを、病理スライド画像を解析して腫瘍微小環境内の特定の特徴（ニッチ）を特定するディープラーニング生存予測モデルとして開発した。これらの組織パターンと画像データおよび臨床データを組み合わせることで、患者が免疫療法による不良転帰のリスクが高いか低いかを推定する。この研究には、UT MD Anderson Cancer Centerから797人の免疫チェックポイント阻害剤治療を受けたNSCLC患者が含まれ、Mayo Clinic、Gustave Roussy、および第III相Lung-MAP S1400I試験からの追加280人の患者で外部検証が行われた。UT MD Andersonコホートでは、高リスク群の死亡または疾患進行のリスクは低リスク群の2倍以上であり、検証データセットでも同等の層別化が観察された。
性能は一致指数（C-index）を用いて測定された。Path-IOは発見コホートで全生存期間（OS）0.69、無増悪生存期間（PFS）0.65のC-indexを達成し、テストコホートではOS 0.63、PFS 0.58であった。対照的に、PD-L1は発見コホートでOS 0.58、PFS 0.57のC-indexであり、テストコホートでは0.50および0.51に低下した。病理画像に基づく予測と放射線画像解析（radiomics）および臨床データを組み合わせることで、C-indexはPFSで0.58から0.70、OSで0.63から0.75にさらに改善された。
従来の病理画像解析研究とは異なり、Path-IOは生物学に基づいたアプローチであり、その予測は病理医が組織を自然に解釈する方法を反映し、臨床医に馴染みのある組織構造に基づいている。モデルの予測は免疫プロファイリングおよびマルチプレックス画像データと相関しており、リスクスコアが高いほど免疫療法に感受性が低い表現型に対応していた。これにより、なぜ特定の患者の転帰が良いか悪いかについて生物学的な証拠が提供される。このアプローチは日常的な病理スライドを使用するため、予測ツールとして検証されれば、大きな費用をかけずに既存の臨床ワークフローに組み込むことができる。本研究は、国際的な実世界コホートおよび第III相ランダム化臨床試験で厳密に検証された初のディープラーニングベースの病理画像解析バイオマーカーである。