WO2022079847A1 - 情報処理システム、情報処理方法及びプログラム - Google Patents

情報処理システム、情報処理方法及びプログラム Download PDF

Info

Publication number
WO2022079847A1
WO2022079847A1 PCT/JP2020/038843 JP2020038843W WO2022079847A1 WO 2022079847 A1 WO2022079847 A1 WO 2022079847A1 JP 2020038843 W JP2020038843 W JP 2020038843W WO 2022079847 A1 WO2022079847 A1 WO 2022079847A1
Authority
WO
WIPO (PCT)
Prior art keywords
absence
images
image
histopathological
gene mutation
Prior art date
Application number
PCT/JP2020/038843
Other languages
English (en)
French (fr)
Inventor
誠志 藤井
孝之 吉野
智之 山田
正泰 服部
Original Assignee
Ｇｅｎｏｍｅｄｉａ株式会社
国立研究開発法人国立がん研究センター
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ｇｅｎｏｍｅｄｉａ株式会社, 国立研究開発法人国立がん研究センター filed Critical Ｇｅｎｏｍｅｄｉａ株式会社
Priority to CN202080106293.5A priority Critical patent/CN116710954A/zh
Priority to JP2022556767A priority patent/JPWO2022079847A1/ja
Priority to EP20957676.8A priority patent/EP4231228A1/en
Priority to US18/248,706 priority patent/US20230274428A1/en
Priority to PCT/JP2020/038843 priority patent/WO2022079847A1/ja
Publication of WO2022079847A1 publication Critical patent/WO2022079847A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30028—Colon; Small intestine
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Definitions

  • the present invention relates to an information processing system, an information processing method and a program.
  • Non-Patent Document 1 For cancers such as lung cancer, colon cancer, stomach cancer, breast cancer, GIST (gastrointestinal stromal tumor), and skin cancer (for example, malignant melanoma), oncogene tests are performed when the doctor deems it necessary. One or several genes are investigated and diagnosed, and drugs are selected and treated based on the test results (see Non-Patent Document 1).
  • the result of the oncogene test takes 1 to 2 months, so the administration of the drug according to the patient's genetic abnormality may be delayed, and the condition may progress during that time, which may be too late.
  • the condition may progress during that time, which may be too late.
  • One aspect of the present invention has been made in view of the above problems, and provides an information processing system, an information processing method, and a program capable of suppressing a delay in administration of a drug according to a genetic abnormality of a target disease.
  • the purpose is to do.
  • Another aspect of the present invention has been made in view of the above problems, and is an information processing system and information processing capable of suppressing delay in administration of a drug according to a genetic abnormality in a patient with colorectal cancer.
  • the purpose is to provide methods and programs.
  • Another aspect of the present invention has been made in view of the above problems, and provides an information processing system capable of suppressing a delay in administration of a drug according to a genetic abnormality in a cancer patient. The purpose.
  • the information processing system includes an acquisition unit for acquiring a pathological tissue image of a patient's tissue of a target disease, a division unit for dividing the pathological histology image of the patient into a plurality of region images, and a division unit.
  • a feature prediction unit for inputting a region image for each of a plurality of feature prediction models constructed for each type of histopathological feature and acquiring prediction information for the presence or absence of histopathological features, and the above-mentioned acquisition.
  • a sorting unit that selects a plurality of region images in which the combination of the presence or absence of the histopathological features matched with the combination of the presence or absence of the histopathological features at the time of selection set in advance, and the presence or absence of the histopathological features.
  • a region image selected by selection is input, and a gene mutation prediction unit for acquiring prediction information on the presence or absence of gene mutation, and the above-mentioned It is provided with a prediction result output unit that outputs a prediction result of the presence or absence of at least one gene mutation for the patient by using the prediction information of the presence or absence of the gene mutation for each acquired region image.
  • a histopathological image of a patient with a target disease is input, a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, so that the administration of the drug according to the genetic abnormality of the target disease is delayed. Can be suppressed.
  • the information processing system is the information processing system according to the first aspect, in which the acquisition unit further acquires the site of the primary lesion of the target disease, and the selection unit is the selection unit.
  • the plurality of region images are selected using the acquired combination of the presence or absence of histopathological features and the acquired site of the primary lesion of the target disease.
  • the probability that the region image input to the gene mutation prediction model can be limited to the region image related to the target disease is improved. It is possible to improve the prediction accuracy of the presence or absence of gene mutation.
  • the information processing system is the information processing system according to the first or second aspect, and the feature prediction model uses a region image in which a pathological tissue image is divided as an input, and the region is concerned. It is a machine-learned model using learning data that uses the histopathological features given to the image as output, and the gene mutation prediction model is selected using a combination of the presence or absence of histopathological features. This is a machine-learned model using learning data that uses the obtained region image as an input and information on the presence or absence of a specific gene mutation as an output.
  • the feature prediction model and the gene mutation prediction model are models after machine learning, the prediction accuracy of the presence or absence of gene mutation can be improved.
  • the information processing system is an information processing system for predicting a gene in which a mutation occurs in a colorectal cancer tissue of a colorectal cancer patient, and is a colorectal cancer pathology of the patient.
  • the combination of the feature prediction unit that inputs the region image and acquires the prediction information of the presence or absence of the histopathological feature and the combination of the acquired presence or absence of the histopathological feature are BRAF, BRAF V600E, ERBB2.
  • the selected region image is input to acquire the prediction information of the presence or absence of the gene mutation.
  • the gene mutation prediction unit and the prediction information of the presence or absence of gene mutation in each acquired region image for the patient, of at least one of BRAF, BRAF V600E, ERBB2, RAS, TP53, or MSI. It is provided with a prediction result output unit that outputs a prediction result of presence / absence.
  • the prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, and thus administer the drug according to the gene abnormality of colorectal cancer.
  • the delay can be suppressed.
  • the information processing system is the information processing system according to the fourth aspect, in which the acquisition unit further acquires the site of the primary lesion of colorectal cancer, and the selection unit is a selection unit.
  • the plurality of region images are selected using the acquired site of the primary lesion of colorectal cancer together with at least one determined histopathological feature.
  • the probability that the region image input to the gene mutation prediction model can be limited to the region image related to the target disease is improved. It is possible to improve the prediction accuracy of the presence or absence of gene mutation.
  • the information processing system is the information processing system according to the fourth or fifth aspect, and the feature prediction model uses a region image in which a pathological tissue image is divided as an input, and the region is concerned. It is a machine-learned model using learning data that uses the histopathological features given to the image as output, and the gene mutation prediction model is selected using a combination of the presence or absence of histopathological features. This is a machine-learned model using learning data that uses the obtained region image as an input and information on the presence or absence of a specific gene mutation as an output.
  • the feature prediction model and the gene mutation prediction model are models after machine learning, the prediction accuracy of the presence or absence of gene mutation can be improved.
  • the information processing method includes an acquisition procedure for acquiring a pathological tissue image of a patient with a target disease, a division procedure for dividing the pathological tissue image of the patient into a plurality of region images, and a pathological tissue.
  • a feature prediction procedure for inputting a region image for each of a plurality of feature prediction models constructed for each type of histological feature and acquiring prediction information for the presence or absence of histopathological features, and the above-mentioned acquired feature prediction procedure.
  • a histopathological image of a patient with a target disease is input, a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, so that the administration of the drug according to the genetic abnormality of the target disease is delayed. Can be suppressed.
  • the information processing method is an information processing method for predicting a gene in which a mutation occurs in a colorectal cancer tissue of a colorectal cancer patient, and is a colorectal cancer pathology of the patient.
  • the division procedure for dividing the colorectal cancer histopathological image of the patient into multiple region images, and the multiple feature prediction models constructed for each type of histopathological feature are BRAF, BRAF V600E, ERBB2.
  • a gene mutation prediction procedure for inputting the selected region image for each of the gene mutation prediction models constructed for each combination of presence / absence and type of gene mutation, and acquiring prediction information for the presence / absence of gene mutation, respectively.
  • the prediction result of the presence / absence of at least one of BRAF, BRAF V600E, ERBB2, RAS, TP53, or MSI is output for the patient. It has a prediction result output procedure and a procedure to be performed.
  • the prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, and thus administer the drug according to the gene abnormality of colorectal cancer.
  • the delay can be suppressed.
  • the program according to the ninth aspect of the present invention includes an acquisition procedure for acquiring a pathological histological image of a patient with a target disease on a computer, a division procedure for dividing the pathological histological image of the patient into a plurality of region images, and a pathology.
  • a feature prediction procedure for inputting a region image for each of a plurality of feature prediction models constructed for each type of histological feature and acquiring prediction information for the presence or absence of a histological feature, and the above-mentioned acquisition.
  • the gene mutation prediction procedure for acquiring the prediction information of the presence or absence of the gene mutation by inputting the region image selected by selection for each of the gene mutation prediction models constructed for each type of gene mutation, and the above-mentioned acquisition.
  • This is a program for executing a prediction result output procedure for outputting at least one prediction result of the presence or absence of a gene mutation for the patient by using the prediction information of the presence or absence of a gene mutation for each region image.
  • a histopathological image of a patient with a target disease is input, a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, so that the administration of the drug according to the genetic abnormality of the target disease is delayed. Can be suppressed.
  • the program according to the tenth aspect of the present invention is a program for predicting a gene in which a mutation has occurred in a colon cancer tissue of a colon cancer patient, and a computer is used to display the patient's colon cancer pathological tissue.
  • the division procedure for dividing the patient's colorectal cancer histopathological image into multiple region images, and the multiple feature prediction models constructed for each type of histopathological feature are used for each of the acquisition procedure for acquiring images.
  • the combination of the feature prediction procedure for inputting a region image and acquiring the prediction information for the presence or absence of the histopathological feature and the combination of the presence or absence of the acquired histopathological feature are BRAF, BRAF V600E, ERBB2, A selection procedure for selecting a plurality of region images that match a combination of the presence or absence of histopathological features at the time of sorting preset for at least one of RAS, TP53, or MSI, and the presence or absence of histopathological features.
  • the selected region image is input and the prediction information of the presence or absence of the gene mutation is acquired, respectively, and the above-mentioned gene mutation prediction procedure.
  • the prediction result of the presence / absence of at least one of BRAF, BRAF V600E, ERBB2, RAS, TP53, or MSI is output for the patient. It is a program to execute the prediction result output procedure.
  • the prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, and thus administer the drug according to the gene abnormality of colorectal cancer.
  • the delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of a BRAF gene mutation in a tumor, and is a means for dividing a histopathological image of the tumor into one or a plurality of images. , An image containing a tumor cell ratio of more than 50%, and / or an image containing a papillary structure, and / or an image containing a non-sawtooth papillary structure, and / or a non-sawtooth papillary structure from the divided images.
  • the prediction result of the presence or absence of the BRAF gene mutation can be immediately obtained.
  • the clinician can prescribe a drug corresponding to the predicted result of the presence or absence of the BRAF gene mutation to the patient by referring to this predicted result, and thus administer the drug according to the BRAF gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system that estimates the presence or absence of BRAF V600E gene mutation in a tumor, and serves as a means for dividing a histopathological image of the tumor into one or a plurality of images. , An image containing a chord style, and / or an image containing a small solid follicle, and / or an image in which the small solid follicle is composed of normal cells, and / or a large size from the divided images.
  • Images of solid follicles composed of normal cells and / or images containing oblong nuclei and / or images with mucus and / or images with non-sawtooth papillary structures and no mucus A means for selecting an image and / or an image containing a sieving structure and no mucus, and / or an image having a sieving structure and the presence of mucus, and using the selected image to generate a BRAF V600E gene mutation. It is provided with a means for estimating the presence or absence.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the BRAF V600E gene mutation to the patient by referring to this prediction result, so that the drug corresponding to the BRAF V600E gene abnormality of the cancer can be prescribed. It is possible to suppress the delay in administration of.
  • the information processing system is an information processing system that estimates the presence or absence of an ERBB2 gene mutation in a tumor, and is a means for dividing a histopathological image of the tumor into one or a plurality of images.
  • a means for estimating the presence or absence of an ERBB2 gene mutation is provided.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the ERBB2 gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the ERBB2 gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system that estimates the presence or absence of a TP53 gene mutation in a tumor, and is a means for dividing a histopathological image of the tumor into one or a plurality of images. From the divided images, images containing ring cells and leaking mucus and / or images containing goblet cells and / or images containing cord-like structures and no mucus and / or leaking mucus. A means for selecting a certain image and a means for estimating the presence or absence of a TP53 gene mutation using the selected image are provided.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the TP53 gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the TP53 gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of an MSI gene abnormality in a tumor, and is a means for dividing a histopathological image of the tumor into one or a plurality of images. From the divided images, an image containing a chordal pattern and / or an image containing a cord-like structure and no mucus, and / or an image having a tumor cell ratio of more than 50%, and / or a solid follicle.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the MSI gene abnormality to the patient by referring to this prediction result, and thus administer the drug according to the MSI gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of a RAS gene mutation in a tumor, which comprises a means for dividing a histopathological image of the tumor into one or a plurality of images.
  • a means for dividing a histopathological image of the tumor into one or a plurality of images comprising a means for dividing a histopathological image of the tumor into one or a plurality of images.
  • the divided images an image containing ring cells and leaking mucus, and / or an image containing a tubular structure and no mucus, and / or an image containing a cord-like structure and no mucus, And / or images containing small solid follicles and / or images containing large solid follicles, and / or images in which large solid follicles are composed of normal cells, and / or include papillary structures.
  • Images that do not and / or images that contain a sieving structure and have mucus, and / or images that contain a sieving structure and have mucus leakage, and / or images that have swelling, and / or tumor cell proportions Images with more than 50% and / or images containing small solid follicles, and / or images in which small solid follicles are composed of normal cells, and / or images containing large solid follicles, and / Or an image in which a large solid follicle is composed of normal cells and / or an image containing an oblong nucleus and / or an image in which mucus is present, and / or an image in which mucus leaks, and / or non-sawtooth.
  • a means for estimating the presence or absence of a RAS gene mutation is provided.
  • the prediction result of the presence or absence of the RAS gene mutation can be immediately obtained.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the RAS gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the RAS gene abnormality of the cancer. Delay can be suppressed.
  • a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, so that the administration of the drug according to the genetic abnormality of the target disease is delayed. Can be suppressed.
  • a histopathological image of colorectal cancer of a patient with colorectal cancer a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, and thus administer the drug according to the gene abnormality of colorectal cancer.
  • the delay can be suppressed.
  • the target gene mutation is BRAF +, it is a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection.
  • BRAF V600E + it is a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection.
  • the target gene mutation When the target gene mutation is ERBB2 +, it is a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection.
  • the target gene mutation When the target gene mutation is TP53 +, it is a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection.
  • MSI When the state of the genetic abnormality is MSI, it is a set of a combination of the site of the primary lesion selected and the presence or absence of histopathological features at the time of selection.
  • the target gene mutation When the target gene mutation is RAS +, it is a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection. It is a continuation of FIG.
  • FIG. 23 This is an example of a table stored in the storage 23. It is a continuation of FIG. It is a schematic diagram which shows the estimation process of the presence or absence of each gene mutation. It is a schematic diagram for demonstrating the method of assembling the prediction result for a region image into the prediction result for each patient. It is a schematic diagram for demonstrating an example of a screen transition in a terminal. It is a flowchart which shows an example of the process flow of the screen transition of FIG.
  • a target disease for predicting the presence or absence of a gene mutation it can be applied to a disease having a gene mutation in a tissue (or a disease to which a drug can be administered according to a gene abnormality) including cancer.
  • a disease having a gene mutation in a tissue or a disease to which a drug can be administered according to a gene abnormality
  • the target disease according to the present embodiment will be described below as a colon cancer.
  • the gene abnormality will be described as being included in the gene mutation.
  • FIG. 1 is a schematic configuration diagram of an information processing system according to this embodiment.
  • the information processing system S includes terminals 1-1 to 1-N (N is a natural number) and a computer system 2 connected via a communication network NW.
  • the terminals 1-1 to 1-N are used by different users, and are, for example, mobile phones such as multifunctional mobile phones (so-called smartphones), tablets, notebook computers, desktop computers, and the like.
  • the terminals 1-1 to 1-N may display the information transmitted from the computer system 2 via, for example, a WEB browser, or the computer on the screen of the application installed on the terminals 1-1 to 1-N.
  • the information transmitted from the system 2 may be displayed.
  • the terminals 1-1 to 1-N will be described below assuming that the terminals 1-1 to 1-N display information transmitted from the computer system 2 via, for example, a WEB browser.
  • the computer system 2 can communicate with the terminals 1-1 to 1-N, and these communications may be wired or wireless. That is, the computer system 2 is connected to the terminals 1-1 to 1-N so as to be able to exchange information.
  • the computer system 2 is used, for example, by an administrator who manages the information processing system S according to the present embodiment.
  • the computer system 2 may be a single computer or a plurality of computers.
  • FIG. 2 is a schematic configuration diagram of a computer system according to the present embodiment.
  • the computer system 2 includes an input interface 21, a communication module 22, a storage 23, a memory 24, and a processor 25.
  • the input interface 21 receives an input from the administrator of the computer system 2 and outputs an input signal corresponding to the received input to the processor 25.
  • the communication module 22 is connected to the communication network NW and communicates with the terminals 1-1 to 1-N. This communication may be wired or wireless, but will be described as being wired.
  • the storage 23 stores a program for the processor 25 to read and execute, a feature prediction model after machine learning, a variation prediction model after machine learning, and various data.
  • the memory 24 temporarily holds data and programs.
  • the memory 24 is a volatile memory, for example, a RAM (Random Access Memory).
  • the processor 25 functions as an acquisition unit 251 and an output unit 250 by loading a program from the storage 23 into the memory 24 and executing a series of instructions included in the program.
  • the output unit 250 has, for example, a division unit 252, a feature prediction unit 253, a selection unit 254, a gene mutation prediction unit 255, and a prediction result output unit 256. Each process will be described later.
  • FIG. 3 is a schematic diagram showing the learning process of the gene mutation prediction model.
  • the division portion 252 captures one or more regions of a pathological tissue (here, as an example, colorectal cancer tissue) image (for example, a slide image) of a patient with a target disease (here, as an example, colorectal cancer). Divide into images (eg, tiled tile images).
  • a pathological tissue here, as an example, colorectal cancer tissue
  • a target disease here, as an example, colorectal cancer
  • Divide into images eg, tiled tile images.
  • gene mutations in the diseased tissue of the patient here, as an example, colorectal cancer tissue
  • the case of dividing into tile-shaped tile images is also referred to as tile division.
  • Step S2 Subsequently, using, for example, an annotation system, the pathologist inputs histopathological features (for example, an oblong nucleus) for each of the plurality of region images.
  • the terminal device (not shown) used by the pathologist accepts histopathological features.
  • the acquisition unit 251 acquires the histopathological features given to each of the plurality of region images.
  • Step S3 the processor 25 learns the relationship between the region image and the histopathological feature for each histopathological feature, and outputs a feature prediction model.
  • the processor 25 uses machine learning (for example,) using learning data that inputs a region image in which a histopathological image is divided and outputs a histopathological feature assigned to the region image. , Deep Learning) and output a feature prediction model.
  • feature prediction models are output for the number L of histopathological features (L is a natural number), and these feature prediction models FM-1, ..., FM-L are stored in the storage 23 by the processor 25.
  • the feature prediction model was machine-learned using the learning data in which the histopathological image divided into the region image is input and the histopathological feature given to the region image is used as the output. It is a model.
  • Step S4 the processor 25 also uses the feature prediction models FM-1, ..., FM-L for the divided image (here, a tile image as an example) without annotation for the histopathological feature, respectively. Predict the presence or absence of histopathological features. This predicts the presence or absence of each histopathological feature for the divided image without annotations for the histopathological feature.
  • Step S5 the sorting unit 254 sorts a region image (here, a tile image as an example) from a plurality of region images using a combination of the presence or absence of predicted histopathological features. Specifically, the sorting unit 254 uses the histopathological features predicted in step S4 to extract a region image (here, a tile image as an example) corresponding to a specific combination of the presence or absence of histopathological features. do.
  • Step S6 the processor 25 learns the relationship between the tile image group corresponding to a specific combination of the presence or absence of histopathological features and the gene mutation, and outputs a gene mutation prediction model. Specifically, for example, the processor 25 inputs a region image (region image extracted in step S5) corresponding to a specific combination of the presence or absence of histopathological features, and outputs information on the presence or absence of a specific gene mutation. Using the learning data to be used, learning is performed by machine learning (for example, Deep Learning), and a gene mutation prediction model is output.
  • machine learning for example, Deep Learning
  • gene mutation prediction models are output for the number M of gene mutations (M is a natural number), and these gene mutation prediction models GM-1, ..., GM-M are stored in the storage 23 by the processor 25.
  • M is a natural number
  • the gene mutation prediction model uses learning data in which the region image selected using a specific combination of the presence or absence of histopathological features is input and the information of the specific gene mutation is used as an output. It is a machine-learned model.
  • FIG. 4A is a schematic diagram for explaining the process of annotating histopathological features on histopathological images.
  • the histopathological image is divided into a plurality of region images.
  • region images outside the cell tissue hereinafter, also referred to as white images
  • region images other than the cell tissue for example, magic ink
  • Histopathological features are annotated by hand (eg, a pathologist) on the region images that are not excluded.
  • FIG. 4B is a schematic diagram showing an example of the process of annotating histopathological features on histopathological images.
  • the histopathological image is divided into a plurality of region images. From each region image, a white image and a region image (also referred to as a magic image) in which the magic ink occupies more than the reference are excluded. For each of the non-excluded region images, the presence or absence of each histopathological feature is given.
  • a histopathological feature it is indicated by a circle, and if there is no histopathological feature, it is indicated by ⁇ , and each region image has L histopathological features. Whether or not it is given is given.
  • FIG. 5 is a schematic diagram illustrating learning and testing in constructing a feature prediction model for a certain histopathological feature.
  • the training data is a set of a region image and the presence / absence of a certain histological feature
  • the region image is given to the input of the machine learning model
  • the feature is output to the output of the machine learning model.
  • machine learning Given the presence or absence of, machine learning is performed.
  • the relationship between the region image and the presence or absence of a certain histopathological feature is learned, and a feature prediction model for predicting the certain histopathological feature is generated.
  • 5-fold cross validation is performed on 80% of the total learning data. That is, learning is performed with 64% of the learning data of the whole, and verification is performed with the learning data of 16% of the whole. Specifically, it is verified as follows. First, 80% of the total learning data is divided into five. For the sake of easy explanation, the subsets of the data divided into five are set as s1, s2, s3, s4, and s5, respectively. For example, after 80% of the training data is divided into five, the model is first trained using a subset of s1, s2, s3, and s4 as a training subset. Subsequently, the model is verified using s5 as a verification subset.
  • the evaluation index (for example, accuracy, F1 value, etc.) obtained at this time is set to e1.
  • learning is performed in s2, s3, s4, and s5, and evaluation is performed in s1.
  • learning and evaluation are repeated while exchanging the subsets.
  • five evaluation indexes can be obtained.
  • the model with the best performance among these five evaluation indexes is determined as the feature prediction model.
  • FIG. 6A is a schematic diagram illustrating the addition of predicted values of histopathological features to the region image.
  • FIG. 6A shows a feature prediction model FM-1 for histopathological feature 1, a feature prediction model FM-2 for histopathological feature 2, a feature prediction model FM-3 for histopathological feature 3, ..., Pathology.
  • a feature prediction model FM-L for histopathological features L is shown.
  • the predicted value of the histopathological feature is a degree having the histopathological feature determined based on the prediction result by the feature prediction models FM-1, ..., FM-L for each region image.
  • the predicted value of the histopathological feature may be the predicted result (for example, a numerical value of 0 to 1) itself, or the predicted result is compared with the threshold value and the value corresponding to the comparison result (for example, a value of 0 or 1). May be.
  • the predicted value of the histopathological feature will be described as a numerical value of 0 to 1.
  • FIG. 6B is a schematic diagram illustrating an example of imparting a predicted value of histopathological features to a region image.
  • the histopathological features of each of the region images excluding the white image and the magic image are shown.
  • Each of the feature prediction values 1 to L is given.
  • the processor 25 has the histopathological feature when the feature predicted value exceeds the threshold value, and the histopathological feature when the feature predicted value is equal to or less than the threshold value. May be determined not to have.
  • the threshold value may be set to a different value for each histopathological feature or the same value may be set, but here, as an example, a different value is set for each histopathological feature. Explain as if it were.
  • FIG. 7 is a schematic diagram for explaining learning and testing in constructing a gene mutation prediction model for a certain gene mutation.
  • the training data is a set of a region image after selection and the presence or absence of a certain gene mutation, and the region image after selection is given to the input of the machine learning model and is output to the machine learning model.
  • machine learning Given the presence or absence of the gene mutation, machine learning is performed. As a result, the relationship between the region image and the presence or absence of a certain gene mutation is learned, and a gene mutation prediction model for predicting the certain gene mutation is generated.
  • 5-fold cross validation is performed on 80% of the total learning data. That is, learning is performed with 64% of the learning data of the whole, and verification is performed with the learning data of 16% of the whole. Specifically, it is verified as follows. First, 80% of the total learning data is divided into five. For the sake of easy explanation, the subsets of the data divided into five are set as s1, s2, s3, s4, and s5, respectively. For example, after 80% of the training data is divided into five, the model is first trained using a subset of s1, s2, s3, and s4 as a training subset. Subsequently, the model is verified using s5 as a verification subset.
  • the evaluation index (for example, accuracy, F1 value, etc.) obtained at this time is set to e1.
  • learning is performed in s2, s3, s4, and s5, and evaluation is performed in s1.
  • learning and evaluation are repeated while exchanging the subsets.
  • five evaluation indexes can be obtained.
  • the model with the best performance among these five evaluation indexes is determined as the gene mutation prediction model.
  • FIG. 8 is an example of a test of a gene mutation prediction model for colorectal cancer.
  • a feature prediction model and a gene mutation prediction model are learned from 80% of the data of the second period.
  • the post-learning feature prediction model and the post-learning gene mutation prediction model are applied to the 1st stage data, the 2.5th stage data, and the TCGA data.
  • the TCGA data is limited to colon adenocarcinoma (COAD) and rectal adenocarcinoma (READ) among the colorectal cancers.
  • COAD colon adenocarcinoma
  • READ rectal adenocarcinoma
  • the first feature (primary) that meets all the conditions (1) to (3) below from all the experimental data for each type of gene mutation (or gene abnormality) of interest.
  • the combination of the nest site) and the second feature was selected.
  • the AUC is an area (integral) under the ROC curve with the first axis as the false positive rate and the second axis as the true positive rate. The range of this area can take a value between 0 and 1.
  • AUC shows 0.8 or more in either case assembly method 1 or case assembly method 2 (that is, prediction is highly accurate even in a cohort not used for learning). It is possible).
  • the number of required tiles is the smallest among those with the same combination of image types and features.
  • Case assembly method 1 When the average value of the predicted values of the gene mutation model for each region image included in the selected region image group (for example, the region image group of FIG. 19) is equal to or higher than the threshold th, case 1 is predicted to have a gene mutation. , If not, how to predict that there is no gene mutation (2) Case assembly method 2 The selected region image group (for example, the number of tiles in which the predicted value of the gene mutation model for each region image included in the sorted region image group (for example, the region image group of FIG. 19) is equal to or greater than the first threshold th1). When the ratio of the region image group in FIG. 19) to the total number of region images is equal to or greater than the second threshold th2, the target patient is predicted to have a gene mutation, and if not, it is predicted that there is no gene mutation. Method
  • FIG. 9 is a set of combinations of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection when the target gene mutation is BRAF +.
  • BRAF + means all BRAF mutations including BRAF V600E.
  • FIG. 10 is a set of combinations of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection when the target gene mutation is BRAF V600E +.
  • FIG. 11 is a set of combinations of selected primary lesion sites and the presence or absence of histopathological features at the time of selection when the target gene mutation is ERBB2 +.
  • FIG. 12 is a set of combinations of selected primary lesion sites and the presence or absence of histopathological features at the time of selection when the target gene mutation is TP53 +.
  • FIG. 13 is a set of combinations of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection when the state of the genetic abnormality is MSI.
  • FIG. 14 is a set of combinations of selected primary lesion sites and the presence or absence of histopathological features at the time of selection when the target gene mutation is RAS +.
  • FIG. 15 is a continuation of FIG.
  • RAS + means KRAS + or NRAS +.
  • the AUC of Method 1 and the AUC of Case Assembling Method 2 the AUC of Case Assembling Method 1 and the AUC of Case Assembling Method 2 with the 2.5th stage data, and the AUC of Case Assembling Method 1 and the AUC of Case Assembling Method 2 are shown with TCGA data. Has been done.
  • the " ⁇ structure (or cell) and mucus ⁇ " in FIGS. 9 to 17 means that the XX structure (or cell) and at the same time have the characteristic of mucus ⁇ .
  • "sieving structure and no mucus” means “sieving structure, and at the same time, no mucus is present.” It means that.
  • the sieve structure and the presence of mucus means "the sieve structure and the presence of mucus at the same time”. Means that.
  • FIGS. 9 to 17 means that the XX structure (or cell) and at the same time have the characteristic of mucus ⁇ .
  • FIGS. 9, 10, 13, 14, 14, 15, 16, and 17 means "sieving structure, and at the same time, no mucus is present.” It means that.
  • the sieve structure and the presence of mucus means “the sieve structure and the presence of mucus at the same time”. Means that.
  • non-sawtooth papilla structure and no mucus means “non-sawtooth papilla structure and at the same time no mucus”.
  • a cord-like structure and the presence of mucus means “a cord-like structure and at the same time, the presence of mucus”.
  • a cord-like structure and a mucus leak means "a cord-like structure and at the same time there is a mucus leak”.
  • alignt ring cell and mucus leakage in FIGS. 12 and 16 means “signet ring cell and mucus leakage at the same time”.
  • FIGS. 12, 13 and 16 means “the cord-like structure and at the same time, the absence of mucus”.
  • sieving structure and mucus leakage in FIGS. 13, 14, 15, 16 and 17 means “sieving structure and at the same time there is mucus leakage”.
  • signet ring cells and mucus leakage in FIGS. 14 and 17 means “signet ring cells and at the same time have mucus leakage”.
  • tubular structure and no mucus in FIGS. 14 and 17 means “tubular structure and at the same time no mucus”.
  • FIGS. 14 and 17 means “non-sawtooth papilla structure and at the same time, mucus is present”.
  • tubular structure and mucus present in FIGS. 15 and 17 means “tubular structure and mucus present at the same time”.
  • tubular structure and mucus leakage in FIGS. 15 and 17 means “tubular structure and at the same time there is mucus leakage”.
  • FIG. 16 is an example of a table stored in the storage 23.
  • FIG. 17 is a continuation of FIG.
  • the target gene mutation is BRAF +
  • a set of records of a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection is accumulated.
  • the target gene mutation is BRAF V600E
  • a set of records of a combination of the selected primary lesion site and the presence or absence of histopathological features at the time of selection is accumulated. ing.
  • ERBB2 table T3 of FIG. 16 when the target gene mutation is ERBB2, a set of records of a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection is accumulated. .. Further, in the TP53 table T4 of FIG. 16, when the target gene mutation is TP53, a set of records of a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection is accumulated. .. Further, in the MSI table T5 of FIG. 16, when the state of the genetic abnormality is MSI, a set of records of a combination of the site of the selected primary lesion and the presence or absence of histopathological features at the time of selection is accumulated. There is.
  • FIG. 18 is a schematic diagram showing an estimation process for the presence or absence of each gene mutation.
  • Step S11 the acquisition unit 251 acquires a histopathological image of a patient whose gene analysis has not been performed and whose gene mutation is unknown.
  • Step S12 the division unit 252 divides the histopathological image of the patient into a plurality of region images.
  • the feature prediction unit 253 predicts the presence or absence of the target histopathological feature for each region image using the feature prediction model constructed for each type of histopathological feature. More specifically, for example, the feature prediction unit 253 inputs a region image to each of a plurality of feature prediction models constructed for each type of histopathological feature, and predicts information on the presence or absence of histopathological features. To get each.
  • the feature prediction unit 253 selects the plurality of region images using the combination of the presence or absence of the acquired histopathological features. More specifically, for example, the feature prediction unit 253 describes a region image in which the acquired combination of the presence or absence of histopathological features matches a specific combination of the presence or absence of histopathological features set for each genetic abnormality. Extract from multiple area images.
  • a specific combination of the presence or absence of histopathological features set for a BRAF gene abnormality is stored in, for example, the BRAF table T1 of FIG. It is one of the "combinations of".
  • a specific combination of the presence or absence of histopathological features set for the BRAF V600E gene abnormality is stored, for example, in the BRAF V600E table T2 of FIG. It is one of the "combination of the presence or absence of features".
  • a specific combination of the presence or absence of histopathological features set for an ERBB2 gene abnormality is stored, for example, in the ERBB2 table T3 of FIG. It is one of the "combination of presence / absence”.
  • a specific combination of the presence or absence of histopathological features set for a TP53 gene abnormality is stored, for example, in the TP53 table T4 of FIG.
  • Even one of the "combination of presence / absence" is plural.
  • a specific combination of the presence or absence of histopathological features set for an MSI gene abnormality is stored in, for example, the MSI table T5 of FIG. It is one of the "combination of presence / absence”.
  • a specific combination of the presence or absence of histopathological features set for a RAS gene abnormality is stored in, for example, the RAS table T6 of FIG. It is one of the "combination of presence / absence".
  • the gene mutation prediction unit 255 uses a combination of the presence / absence of histopathological features and a gene mutation prediction model constructed for each type of gene mutation, and the presence / absence of the target gene mutation in each region image. Predict. More specifically, for example, the gene mutation prediction unit 255 inputs a region image selected by selection for each combination of presence / absence of histopathological features and a gene mutation prediction model constructed for each type of gene mutation. Then, the prediction information of the presence or absence of the gene mutation is acquired respectively.
  • Step S16 the prediction result output unit 256 predicts the presence or absence of each gene mutation in the patient by using the prediction result for each region image.
  • the prediction result output unit 256 outputs a list of prediction results regarding the presence or absence of each gene mutation, for example.
  • the prediction result of the presence or absence of a gene mutation does not have to be the prediction result of the presence or absence of all gene mutations, and may be at least one or more.
  • the prediction result output unit 256 outputs the prediction result of the presence or absence of at least one gene mutation for the patient by using the prediction information of the presence or absence of the gene mutation for each acquired region image.
  • a region image that matches the "combination of the presence or absence of histopathological features at the time of selection" is selected, and the region image after selection is input to the gene mutation prediction model to input the region.
  • the gene mutation prediction result for each image is acquired, and the prediction result for each region image is used to predict the presence or absence of the target gene mutation in the target patient, but the present invention is not limited to this.
  • This series of steps may be carried out for each "combination of the presence or absence of histopathological features at the time of sorting". In this case, it may be collectively output which set of "combination of presence / absence of histopathological features at the time of selection" was predicted to have a gene mutation of the target. Further, by carrying out the above treatment across a plurality of gene mutations, the above output may be carried out across the plurality of gene mutations.
  • the acquisition unit 251 may further acquire the site of the primary lesion of the target disease.
  • the sorting unit 254 may sort the plurality of region images by using the combination of the presence or absence of the acquired histopathological features and the acquired site of the primary lesion of the target disease. ..
  • the sorting unit 254 refers, for example, to the BRAF table T1 (see FIG. 16) stored in the storage 23, and for one record, for example, "primary". Area images that match the "site of the nest" and the "combination of the presence or absence of histopathological features at the time of selection" may be selected.
  • the site of the primary lesion is the "left side of the large intestine" and the combination of the presence or absence of histopathological features at the time of sorting is "tumor cell ratio". Area images corresponding to "more than 50%" may be selected. As a result, by selecting the region image using the site of the primary lesion of the target disease, the probability that the region image input to the gene mutation prediction model can be limited to the region image related to the target disease is improved. It is possible to improve the prediction accuracy of the presence or absence of.
  • a region image that matches the pair of "site of primary lesion” and “combination of presence / absence of histopathological features at the time of selection” is selected, and the selected region image is used as a gene. It is input to the mutation prediction model to acquire the gene mutation prediction result for each region image, and the prediction result for each region image is used to predict the presence or absence of the target gene mutation in the target patient. This series of steps may be carried out for each set of "site of primary lesion” and "combination of presence / absence of histopathological features at the time of selection".
  • FIG. 19 is a schematic diagram for explaining a method of assembling a prediction result for a region image into a prediction result for each patient.
  • FIG. 19 shows a set of the image region after selection derived from the target patient and the predicted value for each region image by the gene mutation prediction model.
  • the prediction result output unit 256 can be used at the case level by the case assembly method 1 or the case assembly method 2. Predict the presence or absence of gene mutations in.
  • the prediction result output unit 256 does not perform gene mutation prediction itself at the case level (as a result, it is treated as if there is no gene mutation).
  • FIG. 20 is a schematic diagram for explaining an example of screen transition in a terminal.
  • a text box TB1 for inputting the path of the pathological tissue image file for selecting the pathological tissue image of the patient and a reference button for referencing the pathological tissue image file.
  • B1 is provided on the screen G1 of the terminal 1.
  • a radio button B2 for selecting the position of the primary lesion of colorectal cancer is provided.
  • the transmission button B3 is pressed with the histopathological image of the patient selected and the position of the site of the primary lesion of colorectal cancer selected, the screen transitions to the screen G2.
  • a list of prediction results of the presence or absence of gene mutation is displayed.
  • Step S110 First, the terminal 1 receives a histopathological image of a patient and a site of a primary lesion of colorectal cancer.
  • Step S120 Next, the terminal 1 transmits the histopathological image of the patient and the site of the primary lesion of colorectal cancer to the computer system 2.
  • Step S130 the computer system 2 receives the histopathological image of the patient and the site of the primary lesion of colorectal cancer, and uses the histopathological image of the patient and the site of the primary lesion of colorectal cancer, respectively.
  • Information for displaying the prediction result of the presence or absence of a gene mutation is output. Since the details of this process have been described with reference to FIG. 18, the description thereof will be omitted.
  • Step S140 Next, the computer system 2 transmits information for displaying the prediction result of the presence or absence of each gene mutation to the terminal 1.
  • Step S150 the terminal 1 receives information for displaying the prediction result of the presence or absence of each gene mutation, and displays the prediction result for the presence or absence of each gene mutation using this information. This completes the processing of this flowchart.
  • the information processing system S includes an acquisition unit 251 that acquires a pathological histological image of a patient with a target disease, a divided unit 252 that divides the pathological histological image of the patient into a plurality of region images, and a pathology.
  • the feature prediction unit 253, which inputs a region image to each of the plurality of feature prediction models constructed for each type of histological feature and acquires the prediction information of the presence or absence of the histological feature, and the acquisition.
  • the selection unit 254 for selecting a plurality of region images in which the combination of the presence or absence of the histopathological features matched with the combination of the presence or absence of the histopathological features at the time of selection set in advance, and the presence or absence of the histopathological features.
  • the region image selected by selection is input to obtain the prediction information of the presence or absence of the gene mutation.
  • a prediction result output unit 256 that outputs a prediction result of the presence or absence of at least one gene mutation for the patient by using the prediction information of the presence or absence of the gene mutation for each acquired region image.
  • a histopathological image of a patient with a target disease is input, a prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, so that the administration of the drug according to the genetic abnormality of the target disease is delayed. Can be suppressed.
  • the information processing system is, for example, an information processing system for predicting a gene in which a mutation has occurred in a colorectal cancer tissue of a colorectal cancer patient.
  • the information processing system S includes an acquisition unit 251 for acquiring a histopathological image of colorectal cancer of the patient. Further, the information processing system S includes a division unit 252 that divides the colorectal cancer histopathological image of the patient into a plurality of region images. Further, the information processing system S inputs a region image to each of a plurality of feature prediction models constructed for each type of histopathological feature, and acquires prediction information of the presence or absence of the histopathological feature.
  • the feature prediction unit 253 is provided.
  • the information processing system S when the combination of the presence or absence of the acquired histopathological features is preset for at least one of BRAF, BRAF V600E, ERBB2, RAS, TP53, or MSI at the time of sorting.
  • a sorting unit 254 for selecting a plurality of region images matching the combination of the presence or absence of histopathological features is provided. Further, the information processing system S inputs the selected region image to each of the combination of the presence / absence of histopathological features and the gene mutation prediction model constructed for each type of gene mutation, and the presence / absence of the gene mutation.
  • a prediction result output unit 256 that outputs a prediction result of the presence or absence of at least one gene mutation is provided.
  • the prediction result of the presence or absence of a gene mutation can be immediately obtained.
  • the clinician can refer to this prediction result and prescribe a drug corresponding to the prediction result of the presence or absence of a gene mutation to the patient, and thus administer the drug according to the gene abnormality of colorectal cancer.
  • the delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of a BRAF gene mutation in a tumor, and means for dividing a histopathological image of the tumor into one or a plurality of images, and the division. From the images obtained, an image having a tumor cell ratio of more than 50% and / or an image containing a papillary structure, and / or an image containing a non-sawtooth papillary structure, and / or a non-sawtooth papillary structure. Select images that contain and / or have a sieving structure, and / or images that have a sieving structure and no mucus, and / or an image that contains a sieving structure and has mucus. It comprises means and means for estimating the presence or absence of a BRAF gene mutation using the selected image.
  • the clinician can prescribe a drug corresponding to the predicted result of the presence or absence of the BRAF gene mutation to the patient by referring to this predicted result, and thus administer the drug according to the BRAF gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of BRAF V600E gene mutation in a tumor, and means for dividing the histopathological image of the tumor into one or a plurality of images, and the division.
  • images obtained an image including a track pattern and / or an image containing a small solid follicle, and / or an image in which the small solid follicle is composed of normal cells, and / or a large solid follicle.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the BRAF V600E gene mutation to the patient by referring to this prediction result, so that the drug corresponding to the BRAF V600E gene abnormality of the cancer can be prescribed. It is possible to suppress the delay in administration of.
  • the information processing system is an information processing system for estimating the presence or absence of an ERBB2 gene mutation in a tumor, and is divided into a means for dividing a histopathological image of the tumor into one or a plurality of images.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the ERBB2 gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the ERBB2 gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system that estimates the presence or absence of a TP53 gene mutation in a tumor, and is divided into a means for dividing a histopathological image of the tumor into one or a plurality of images. Images containing ring cells and / or cup cells, and / or images containing cord-like structure and no mucus, and / or images with mucus leakage. A means for estimating the presence or absence of a TP53 gene mutation using the selected image.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the TP53 gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the TP53 gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of an MSI gene abnormality in a tumor, and is divided into a means for dividing a histopathological image of the tumor into one or a plurality of images.
  • images an image containing a chordal pattern and / or an image containing a cord-like structure and no mucus, and / or an image having a tumor cell ratio of more than 50%, and / or an image containing a solid follicle.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the MSI gene abnormality to the patient by referring to this prediction result, and thus administer the drug according to the MSI gene abnormality of the cancer. Delay can be suppressed.
  • the information processing system is an information processing system for estimating the presence or absence of a RAS gene mutation in a tumor, and is divided into a means for dividing a histopathological image of the tumor into one or a plurality of images. Images containing ring cells and leaking mucus, and / or images containing tubular structure and no mucus, and / or images containing cord-like structure and no mucus, and / or Images containing small solid follicles and / or images containing large solid follicles and / or images in which large solid follicles are composed of normal cells and / or images containing papillary structures, and / or images containing papillary structures.
  • Images that exceed and / or images that contain small solid follicles, and / or images in which small solid follicles are composed of normal cells, and / or images that contain large solid follicles, and / or oblong. Includes images containing morphonuclear and / or images with mucus and / or images with mucus leakage and / or images with non-sawtooth papillary structures and no mucus, and / or sieving structures. Images and / or images with a sieving structure and no mucus, and / or images with a sieving structure and presence of mucus, and / or images with a tubular structure and no mucus, and / or tubular.
  • the clinician can prescribe a drug corresponding to the prediction result of the presence or absence of the RAS gene mutation to the patient by referring to this prediction result, and thus administer the drug according to the RAS gene abnormality of the cancer. Delay can be suppressed.
  • At least a part of the computer system 2 described in the above-described embodiment may be configured by hardware or software.
  • a program that realizes at least a part of the functions of the computer system 2 may be stored in a recording medium such as a flexible disk or a CD-ROM, read by a computer, and executed.
  • the recording medium is not limited to a removable one such as a magnetic disk or an optical disk, and may be a fixed recording medium such as a hard disk device or a memory.
  • a program that realizes at least a part of the functions of the computer system 2 may be distributed via a communication line (including wireless communication) such as the Internet. Further, the program may be encrypted, modulated, compressed, and distributed via a wired line or a wireless line such as the Internet, or stored in a recording medium.
  • a communication line including wireless communication
  • the program may be encrypted, modulated, compressed, and distributed via a wired line or a wireless line such as the Internet, or stored in a recording medium.
  • the computer system 2 may be operated by one or more information devices.
  • one of them may be a computer, and the function may be realized as at least one means of the computer system 2 by executing a predetermined program by the computer.
  • all the steps (steps) may be realized by automatic control by a computer. Further, the progress control between the processes may be manually performed while the computer is used to perform each process. Further, at least a part of the whole process may be manually performed.
  • the present invention is not limited to the above embodiment as it is, and at the implementation stage, the components can be modified and embodied within a range that does not deviate from the gist thereof.
  • various inventions can be formed by an appropriate combination of the plurality of components disclosed in the above-described embodiment. For example, some components may be removed from all the components shown in the embodiments. Further, components over different embodiments may be combined as appropriate.
  • Terminal 2 Computer system 21
  • Input interface 22 Communication module 23
  • Storage 24 Memory 25
  • Processor 250 Output unit 251 Acquisition unit 252 Division unit 253 Feature prediction unit 254 Sorting unit 255 Gene mutation prediction unit 256 Prediction result output unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Bioethics (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

対象疾患の患者の病理組織画像を取得する取得部と、当該患者の病理組織画像を複数の領域画像に分割する分割部と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して領域画像を入力して病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部と、当該取得された病理組織学的特徴の有無の組み合わせが予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して選別によって選ばれた領域画像を入力して遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部と、当該取得された領域画像毎の遺伝子変異の有無の予測情報を用いて前記患者について少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部と、を有する。

Description

情報処理システム、情報処理方法及びプログラム
　本発明は、情報処理システム、情報処理方法及びプログラムに関する。
　肺がん、大腸がん、胃がん、乳がん、ＧＩＳＴ（消化管間質腫瘍）、皮膚がん（例えば、悪性黒色腫）などのがんでは、医師が必要と判断した場合にがん遺伝子検査を行い、１つまたはいくつかの遺伝子を調べ、診断したり、検査結果を基に薬を選んで治療したりすることが行われている（非特許文献１参照）。
https://ganjoho.jp/public/dia_tre/treatment/genomic_medicine/gentest02.html
　がん遺伝子検査の結果は、１～２か月の時間がかかるので、患者の遺伝子異常に応じた薬の投与が遅れ、その間に病状が進んでしまい、手遅れになる恐れがある。特に、ステージ４などのがん患者の場合は、時間的な猶予が少なく、重大な問題である。
　また、がんだけでなく、遺伝子異常に応じた薬の投与が可能な疾患についても同様の問題がある。
　本発明の一態様は、上記問題に鑑みてなされたものであり、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することを可能とする情報処理システム、情報処理方法及びプログラムを提供することを目的とする。
　本発明の別の一態様は、上記問題に鑑みてなされたものであり、大腸がんの患者の遺伝子異常に応じた医薬品の投与の遅れを抑制することを可能とする情報処理システム、情報処理方法及びプログラムを提供することを目的とする。
　本発明の別の一態様は、上記問題に鑑みてなされたものであり、がん患者の遺伝子異常に応じた医薬品の投与の遅れを抑制することを可能とする情報処理システムを提供することを目的とする。
　本発明の第１の態様に係る情報処理システムは、対象疾患の患者の組織の病理組織画像を取得する取得部と、前記患者の病理組織画像を、複数の領域画像に分割する分割部と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部と、前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部と、を備える。
　この構成によれば、対象疾患の患者の病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第２の態様に係る情報処理システムは、第１の態様に係る情報処理システムであって、前記取得部は、対象疾患の原発巣の部位を更に取得し、前記選別部は、前記取得された病理組織学的特徴の有無の組み合わせとともに、前記取得された対象疾患の原発巣の部位とを用いて、前記複数の領域画像を選別する。
　この構成によれば、対象疾患の原発巣の部位も用いて領域画像を選別することにより、遺伝子変異予測モデルに入力される領域画像が対象疾患に関係する領域画像に限定できる確率が向上するので、遺伝子変異の有無の予測精度を向上することができる。
　本発明の第３の態様に係る情報処理システムは、第１または２の態様に係る情報処理システムであって、前記特徴予測モデルは、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力として用いる学習用データを用いて機械学習されたモデルであり、前記遺伝子変異予測モデルは、病理組織学的特徴の有無の組み合わせを用いて選別された領域画像を入力とし、特定の遺伝子変異の有無の情報を出力として用いる学習用データを用いて機械学習されたモデルである。
　この構成によれば、特徴予測モデル及び遺伝子変異予測モデルが機械学習後のモデルであるため、遺伝子変異の有無の予測精度を向上させることができる。
　本発明の第４の態様に係る情報処理システムは、大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するための情報処理システムであって、前記患者の大腸がん病理組織画像を取得する取得部と、前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割部と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部と、前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩ（マイクロサテライト不安定性）のうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部と、を備える。
　この構成によれば、大腸がんの患者の大腸がん病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、大腸がんの遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第５の態様に係る情報処理システムは、第４の態様に係る情報処理システムであって、前記取得部は、大腸がんの原発巣の部位を更に取得し、前記選別部は、前記決定された少なくとも一つの病理組織学的特徴とともに、前記取得された大腸がんの原発巣の部位を用いて、前記複数の領域画像を選別する。
　この構成によれば、対象疾患の原発巣の部位も用いて領域画像を選別することにより、遺伝子変異予測モデルに入力される領域画像が対象疾患に関係する領域画像に限定できる確率が向上するので、遺伝子変異の有無の予測精度を向上することができる。
　本発明の第６の態様に係る情報処理システムは、第４または５の態様に係る情報処理システムであって、前記特徴予測モデルは、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力として用いる学習用データを用いて機械学習されたモデルであり、前記遺伝子変異予測モデルは、病理組織学的特徴の有無の組み合わせを用いて選別された領域画像を入力とし、特定の遺伝子変異の有無の情報を出力として用いる学習用データを用いて機械学習されたモデルである。
　この構成によれば、特徴予測モデル及び遺伝子変異予測モデルが機械学習後のモデルであるため、遺伝子変異の有無の予測精度を向上させることができる。
　本発明の第７の態様に係る情報処理方法は、対象疾患の患者の病理組織画像を取得する取得手順と、前記患者の病理組織画像を、複数の領域画像に分割する分割手順と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、を有する。
　この構成によれば、対象疾患の患者の病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第８の態様に係る情報処理方法は、大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するための情報処理方法であって、前記患者の大腸がん病理組織画像を取得する取得手順と、前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割手順と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、を有する。
　この構成によれば、大腸がんの患者の大腸がん病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、大腸がんの遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第９の態様に係るプログラムは、コンピュータに、対象疾患の患者の病理組織画像を取得する取得手順と、前記患者の病理組織画像を、複数の領域画像に分割する分割手順と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、を実行させるためのプログラムである。
　この構成によれば、対象疾患の患者の病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１０の態様に係るプログラムは、大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するためのプログラムであって、コンピュータに、前記患者の大腸がん病理組織画像を取得する取得手順と、前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割手順と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、を実行させるためのプログラムである。
　この構成によれば、大腸がんの患者の大腸がん病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、大腸がんの遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１１の態様に係る情報処理システムは、腫瘍におけるにおけるＢＲＡＦ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、腫瘍細胞比率が５０％を超える画像、及び／または乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像を選択する手段と、前記選択された画像を用いてＢＲＡＦ遺伝子変異の有無を推定する手段と、を備える。
　この構成によれば、病理組織画像を入力すれば、ＢＲＡＦ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＢＲＡＦ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＢＲＡＦ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１２の態様に係る情報処理システムは、腫瘍におけるＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、軌条様式を含む画像、及び／または小型充実性胞巣を含む画像、及び／または小型充実性胞巣が通常型細胞で構成される画像、及び／または大型充実性胞巣が通常型細胞で構成される画像、及び／または長楕円形核を含む画像、及び／または粘液が存在する画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像を選択する手段と、前記選択された画像を用いてＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する手段と、を備える。
　この構成によれば、病理組織画像を入力すれば、ＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＢＲＡＦ　Ｖ６００Ｅ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１３の態様に係る情報処理システムは、腫瘍におけるＥＲＢＢ２遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、索状構造を含みかつ粘液が存在する画像、及び／または索状構造を含みかつ粘液漏出がある画像を選択する手段と、前記選択された画像を解析対象としてＥＲＢＢ２遺伝子変異の有無を推定する手段と、を備える。
　この構成によれば、病理組織画像を入力すれば、ＥＲＢＢ２遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＥＲＢＢ２遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＥＲＢＢ２遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１４の態様に係る情報処理システムは、腫瘍におけるＴＰ５３遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、印環細胞を含みかつ粘液漏出がある画像、及び／または杯細胞を含む画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または粘液漏出がある画像を選択する手段と、前記選択された画像を用いてＴＰ５３遺伝子変異の有無を推定する手段と、を備える。
　この構成によれば、病理組織画像を入力すれば、ＴＰ５３遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＴＰ５３遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＴＰ５３遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１５の態様に係る情報処理システムは、腫瘍におけるＭＳＩ遺伝子異常の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、軌条様式を含む画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または腫瘍細胞比率が５０％を超える画像、及び／または充実性胞巣を含む画像、及び／または小型充実性胞巣かつ通常型細胞を含む画像、及び／または長楕円形核を含む画像、及び／または乳頭状構造を含む画像、及び／または杯細胞を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または類円形核を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含みかつ粘液漏出がある画像を選択する手段と、前記選択された画像を用いてＭＳＩ遺伝子異常の有無を推定する手段と、を備える
　この構成によれば、病理組織画像を入力すれば、ＭＳＩ遺伝子異常の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＭＳＩ遺伝子異常の有無の予測結果に対応する医薬品を処方できるので、がんのＭＳＩ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の第１６の態様に係る情報処理システムは、腫瘍におけるＲＡＳ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、印環細胞を含みかつ粘液漏出がある画像、及び／または管状構造を含みかつ粘液が存在しない画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または小型充実性胞巣を含む画像、及び／または大型充実性胞巣を含む画像、及び／または大型充実性胞巣が通常型細胞で構成される画像、及び／または乳頭状構造を含む画像、及び／または粘液が存在しない画像、及び／または粘液が存在する画像、及び／または杯細胞を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含みかつ粘液漏出がある画像、及び／または簇出が存在する画像、及び／または腫瘍細胞比率が５０％を超える画像、及び／または小型充実性胞巣を含む画像、及び／または小型充実性胞巣が通常型細胞で構成される画像、及び／または大型充実性胞巣を含む画像、及び／または大型充実性胞巣が通常型細胞で構成される画像、及び／または長楕円形核を含む画像、及び／または粘液が存在する画像、及び／または粘液漏出がある画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または管状構造を含みかつ粘液が存在する画像、及び／または管状構造を含みかつ粘液漏出がある画像、及び／または軌条様式を含む画像、及び／または高度細胞異型を含む画像、及び／または索状構造を含みかつ粘液が存在する画像、及び／または索状構造を含みかつ粘液漏出がある画像、及び／または充実性胞巣を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または類円形核を含む画像を選択する手段と、前記選択された画像を用いてＲＡＳ遺伝子変異の有無を推定する手段と、を備える。
　この構成によれば、病理組織画像を入力すれば、ＲＡＳ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＲＡＳ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＲＡＳ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の一態様によれば、対象疾患の患者の病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　本発明の別の一態様によれば、大腸がんの患者の大腸がんの病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、大腸がんの遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
本実施形態に係る情報処理システムの概略構成図である。 本実施形態に係るコンピュータシステムの概略構成図である。 遺伝子変異予測モデルの学習プロセスを示す模式図である。 病理組織画像への病理組織学的特徴のアノテーション付けのプロセスを説明するための模式図である。 病理組織画像への病理組織学的特徴のアノテーション付けのプロセスの一例を示す模式図である。 ある病理組織学的特徴について特徴予測モデルを構築する際の学習及びテストを説明する模式図である。 領域画像への病理組織学的特徴の予測値の付与について説明する模式図である。 領域画像への病理組織学的特徴の予測値の付与の一例について説明する模式図である。 ある遺伝子変異についての遺伝子変異予測モデルを構築する際の学習及びテストを説明するための模式図である。 大腸がんについての遺伝子変異予測モデルのテストの実施例である。 対象遺伝子変異がＢＲＡＦ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 対象遺伝子変異がＢＲＡＦ　Ｖ６００Ｅ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 対象遺伝子変異がＥＲＢＢ２＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 対象遺伝子変異がＴＰ５３＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 遺伝子異常の状態がＭＳＩの場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 対象遺伝子変異がＲＡＳ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。 図１４の続きである。 ストレージ２３に記憶されているテーブルの一例である。 図１６の続きである。 各遺伝子変異の有無の推定プロセスを示す模式図である。 領域画像に対する予測結果から患者単位の予測結果に組み上げる方法を説明するための模式図である。 端末における画面遷移の一例を説明するための模式図である。 図２０の画面遷移の処理の流れの一例を示すフローチャートである。
　以下、各実施形態について、図面を参照しながら説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
　本実施形態に係る遺伝子変異の有無の予測を行う対象疾患としては、がんを含む、組織に遺伝子変異を伴う疾患（または遺伝子異常に応じた薬の投与が可能な疾患）に適用可能であるが、本実施形態に係る対象疾患は一例として、大腸がんであるものとして以下、説明する。なお、本実施形態では、遺伝子異常は、遺伝子変異に含まれるものとして説明する。
　図１は、本実施形態に係る情報処理システムの概略構成図である。図１に示すように、情報処理システムＳは、端末１－１～１－Ｎ（Ｎは自然数）と、通信回路網ＮＷを介して接続されたコンピュータシステム２とを備える。
　端末１－１～１－Ｎは、別々のユーザによって使用されるもので、例えば、多機能携帯電話（いわゆるスマートフォン）などの携帯電話、タブレット、ノートパソコン、またはデスクトップパソコンなどである。端末１－１～１－Ｎは、例えばＷＥＢブラウザを介して、コンピュータシステム２から送信された情報が表示されてもよいし、端末１－１～１－Ｎにインストールされたアプリケーションの画面においてコンピュータシステム２から送信された情報が表示されてもよい。ここでは一例として、端末１－１～１－Ｎは、例えばＷＥＢブラウザを介して、コンピュータシステム２から送信された情報を表示するものとして以下説明する。
　コンピュータシステム２は端末１－１～１－Ｎと通信可能であり、これらの通信は有線であっても無線であってもよい。すなわち、コンピュータシステム２は、当該端末１－１～１－Ｎと情報交換可能に接続されている。コンピュータシステム２は、例えば本実施形態に係る情報処理システムＳを管理する管理者によって使用される。コンピュータシステム２は、一台のコンピュータであってもよいし、複数のコンピュータであってもよい。
　図２は、本実施形態に係るコンピュータシステムの概略構成図である。図２に示すように、コンピュータシステム２は、入力インタフェース２１と、通信モジュール２２と、ストレージ２３と、メモリ２４と、プロセッサ２５とを備える。
　入力インタフェース２１は、コンピュータシステム２の管理者からの入力を受け付け、受け付けた入力に応じた入力信号をプロセッサ２５へ出力する。
　通信モジュール２２は、通信回路網ＮＷに接続されており、端末１－１～１－Ｎと通信する。この通信は有線であっても無線であってもよいが、有線であるものとして説明する。
　ストレージ２３は、プロセッサ２５が読み出して実行するためのプログラム、機械学習後の特徴予測モデル、機械学習後の変異予測モデル及び各種のデータが格納されている。
　メモリ２４は、データ及びプログラムを一時的に保持する。メモリ２４は、揮発性メモリであり、例えばＲＡＭ（Random Access Memory）である。
　プロセッサ２５は、ストレージ２３からプログラムをメモリ２４にロードし、当該プログラムに含まれる一連の命令を実行することによって、取得部２５１、出力部２５０として機能する。出力部２５０は例えば、分割部２５２、特徴予測部２５３、選別部２５４、遺伝子変異予測部２５５、予測結果出力部２５６を有する。それぞれの処理については後述する。
　続いて、遺伝子変異予測モデルの学習プロセスについて図３を用いて説明する。図３は、遺伝子変異予測モデルの学習プロセスを示す模式図である。
　（ステップＳ１）分割部２５２は、対象疾患（ここでは一例として大腸がん）の患者の病理組織（ここでは一例として大腸がん組織）画像（例えば、スライド画像）を、１つもしくは複数の領域画像（例えば、タイル状のタイル画像）に分割する。ここで、当該患者の疾患組織（ここでは一例として大腸がん組織）の遺伝子変異が既知である。ここでタイル状のタイル画像に分割する場合をタイル分割ともいう。
　（ステップＳ２）続いて、例えばアノテーションシステムを用いて、病理医が、複数の領域画像それぞれについて、病理組織学的特徴（例えば、長楕円形核など）を入力する。その際に、病理医が使用する端末装置（図示せず）は、病理組織学的特徴を受け付ける。取得部２５１は、複数の領域画像それぞれ毎に付与された病理組織学的特徴を取得する。
　（ステップＳ３）続いて、プロセッサ２５は、病理組織学的特徴毎に、領域画像と病理組織学的特徴の関係を学習し、特徴予測モデルを出力する。具体的には例えばプロセッサ２５は、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力とする学習用データを用いて機械学習（例えば、Deep Learning）によって学習し、特徴予測モデルを出力する。これにより、病理組織学的特徴の数Ｌ（Ｌは自然数）だけ特徴予測モデルが出力され、これらの特徴予測モデルＦＭ－１、…、ＦＭ－Ｌがストレージ２３にプロセッサ２５によって格納される。このように、特徴予測モデルは、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力として用いる学習用データを用いて機械学習されたモデルである。
　（ステップＳ４）次にプロセッサ２５は、病理組織学的特徴についてアノテーションのない分割画像（ここでは一例としてタイル画像）についても、特徴予測モデルＦＭ－１、…、ＦＭ－Ｌを用いて、それぞれの病理組織学的特徴の有無を予測する。これにより、病理組織学的特徴に対するアノテーションがない分割画像に対して、それぞれの病理組織学的特徴の有無を予測される。
　（ステップＳ５）次に選別部２５４は、予測された病理組織学的特徴の有無の組合せを用いて、複数の領域画像から、領域画像（ここでは一例としてタイル画像）を選別する。具体的には選別部２５４は、ステップＳ４で予測された病理組織学的特徴を用いて、病理組織学的特徴の有無の特定の組み合わせに該当する領域画像（ここでは一例としてタイル画像）を抽出する。
　（ステップＳ６）次にプロセッサ２５は、病理組織学的特徴の有無の特定の組合せに該当するタイル画像群と遺伝子変異の関係を学習し、遺伝子変異予測モデルを出力する。具体的には例えばプロセッサ２５は、病理組織学的特徴の有無の特定の組み合わせに該当する領域画像（ステップＳ５で抽出された領域画像）を入力とし、特定の遺伝子変異の有無の情報を出力とする学習用データを用いて、機械学習（例えば、Deep Learning）によって学習し、遺伝子変異予測モデルを出力する。これにより、遺伝子変異の数Ｍ（Ｍは自然数）だけ遺伝子変異予測モデルが出力され、これらの遺伝子変異予測モデルＧＭ－１、…、ＧＭ－Ｍがストレージ２３にプロセッサ２５によって格納される。このように、遺伝子変異予測モデルは、病理組織学的特徴の有無の特定の組み合わせを用いて選別された領域画像を入力とし、前記特定の遺伝子変異の情報を出力として用いる学習用データを用いて機械学習されたモデルである。
　続いて、図４Ａ及び図４Ｂを用いて、病理組織画像への病理組織学的特徴のアノテーション付けのプロセスについて説明する。図４Ａは、病理組織画像への病理組織学的特徴のアノテーション付けのプロセスを説明するための模式図である。図４Ａに示すように、病理組織画像が複数の領域画像に分割される。生成された領域画像のうち、細胞組織外の領域画像（以下、白画像ともいう。）及び細胞組織以外の物（例えば、マジックインク）が基準より多く占める領域画像が除外される。この処理を領域判定という。除外されなかった領域画像に対して、人手（例えば病理医）によって、病理組織学的特徴がアノテーション付けされる。
　図４Ｂは、病理組織画像への病理組織学的特徴のアノテーション付けのプロセスの一例を示す模式図である。図４Ｂに示すように、病理組織画像が複数の領域画像に分割される。それぞれの領域画像から、白画像及びマジックインクが基準より多く占める領域画像（マジック画像ともいう）が除外される。除外されなかった領域画像それぞれについて、病理組織学特徴それぞれについての有無が付与される。図４Ｂでは、病理組織学特徴を有する場合、○で示され、病理組織学特徴が無い場合には、×で示されており、領域画像それぞれについて、Ｌ個の病理組織学特徴それぞれが有るか無いかが付与される。
　続いて、ある病理組織学的特徴について特徴予測モデルを構築する際の学習及びテストについて図５を用いて説明する。図５は、ある病理組織学的特徴について特徴予測モデルを構築する際の学習及びテストを説明する模式図である。図５に示すように、学習用データは、領域画像とある病理組織学的特徴の有無のセットであり、機械学習モデルの入力に領域画像が与えられ、機械学習モデルの出力に、当該ある特徴の有無が与えられて、機械学習が実行される。これにより、領域画像とある病理組織学的特徴の有無の関係を学習し、当該ある病理組織学的特徴を予測する特徴予測モデルを生成する。
　一例として、学習時には、全体の学習用データの８割で、５－分割交差検証（5-fold Cross Validation）を実施する。すなわち全体の６４％の学習用データで学習して、全体の１６％での学習用データで検証する。具体的には以下のように検証する。全体の学習用データの８割をまず５分割する。ここで説明しやすいように５分割してできたデータのサブセットをそれぞれ、ｓ１、ｓ２、ｓ３、ｓ４、ｓ５とおく。
　例えば、学習用データの８割を５分割したのち、まずはｓ１、ｓ２、ｓ３、ｓ４のサブセットを訓練サブセットとしてモデルの学習を進める。続いて、ｓ５を検証サブセットとして、モデルの検証を行う。このときに得られる評価指標（例えば精度やＦ１値など）をｅ１とする。
　次に、ｓ２、ｓ３、ｓ４、ｓ５で学習し、ｓ１で評価を行う。同様にして、サブセットを入れ替えながら学習と評価を繰り返す。すべての組み合わせに対して学習と評価を繰り返すことで、５個の評価指標が得られる。そして、これら５個の評価指標のうち最も性能の良かったモデルが特徴予測モデルに決定される。
　得られた特徴予測モデルの精度検証のための、全体の学習用データの２割で、５-分割交差検証で最も性能のよかったモデルについてブラインドテストを実施する。これにより、決定された特徴予測モデルの性能を検証して、性能が基準を満たしていれば、この特徴予測モデルが採用される。
　続いて、図６Ａ及び図６Ｂを用いて、図３のステップＳ４において実行される領域画像への病理組織学的特徴の予測値の付与について説明する。図６Ａは、領域画像への病理組織学的特徴の予測値の付与について説明する模式図である。図６Ａには、病理組織学的特徴１の特徴予測モデルＦＭ－１、病理組織学的特徴２の特徴予測モデルＦＭ－２、病理組織学的特徴３の特徴予測モデルＦＭ－３、…、病理組織学的特徴Ｌの特徴予測モデルＦＭ－Ｌが示されている。
　病理組織学的特徴の予測値は、各領域画像に対して、特徴予測モデルＦＭ－１、…、ＦＭ－Ｌによる予測結果を基に決定される、その病理組織学的特徴を持つ度合いとする。病理組織学的特徴の予測値は、予測結果（例えば０～１の数値）そのものであってもよいし、予測結果が閾値と大小比較し比較結果に応じた値（例えば０または１の値）であってもよい。ここでは一例として病理組織学的特徴の予測値は０～１の数値であるものとして説明する。
　図６Ｂは、領域画像への病理組織学的特徴の予測値の付与の一例について説明する模式図である。図６Ｂにおける特徴予測値p11,p12,p13,…, p1L, …,p71,p72,p73,…p7Lが示すように、白画像及びマジック画像が除外された領域画像それぞれについて、病理組織学的特徴１～Ｌの特徴予測値それぞれが付与される。この場合、図３のステップＳ５では、プロセッサ２５は、特徴予測値が閾値を超えている場合、その病理組織学的特徴を有し、特徴予測値が閾値以下の場合、その病理組織学的特徴を有さないと判定してもよい。閾値は、病理組織学的特徴毎に別々の値が設定されてもよいし、同じ値が設定されてもよいが、ここでは一例として、病理組織学的特徴毎に別々の値が設定されているものとして説明する。
　続いて、図７を用いて、図３のステップＳ６において実行される、ある遺伝子変異についての遺伝子変異予測モデルを構築する際の学習及びテストについて説明する。図７は、ある遺伝子変異についての遺伝子変異予測モデルを構築する際の学習及びテストを説明するための模式図である。図７に示すように、学習用データは、選別後の領域画像とある遺伝子変異の有無のセットであり、機械学習モデルの入力に、選別後の領域画像が与えられ、機械学習モデルの出力に、当該ある遺伝子変異の有無が与えられて、機械学習が実行される。これにより、領域画像とある遺伝子変異の有無の関係を学習し、当該ある遺伝子変異を予測する遺伝子変異予測モデルを生成する。
　一例として、学習時には、全体の学習用データの８割で、５－分割交差検証（5-fold Cross Validation）を実施する。すなわち全体の６４％の学習用データで学習して、全体の１６％での学習用データで検証する。具体的には以下のように検証する。全体の学習用データの８割をまず５分割する。ここで説明しやすいように５分割してできたデータのサブセットをそれぞれ、ｓ１、ｓ２、ｓ３、ｓ４、ｓ５とおく。
　例えば、学習用データの８割を５分割したのち、まずはｓ１、ｓ２、ｓ３、ｓ４のサブセットを訓練サブセットとしてモデルの学習を進める。続いて、ｓ５を検証サブセットとして、モデルの検証を行う。このときに得られる評価指標（例えば精度やＦ１値など）をｅ１とする。
　次に、ｓ２、ｓ３、ｓ４、ｓ５で学習し、ｓ１で評価を行う。同様にして、サブセットを入れ替えながら学習と評価を繰り返す。すべての組み合わせに対して学習と評価を繰り返すことで、５個の評価指標が得られる。そして、これら５個の評価指標のうち最も性能の良かったモデルが遺伝子変異予測モデルに決定される。
　得られた遺伝子変異予測モデルの精度検証のための、全体の学習用データの２割で、５－分割交差検証で最も性能のよかったモデルについてブラインドテストを実施する。これにより、決定された遺伝子変異予測モデルの性能を検証して、性能が基準を満たしていれば、この遺伝子変異予測モデルが採用される。
　図８～図１７を用いて、遺伝子変異が未知の大腸がん患者の遺伝子変異を予測する工程中の中で、領域画像を選別する際の「選別時の病理組織学的特徴の有無の組合せ」の設定方法について説明する。
　図８は、大腸がんについての遺伝子変異予測モデルのテストの実施例である。図８に示すようにテストすることによって、「選別時の病理組織学的特徴の有無の組合せ」を求める。具体的には、２期の８０％のデータで、特徴予測モデルおよび遺伝子変異予測モデルを学習する。学習後の特徴予測モデル及び学習後の遺伝子変異予測モデルを１期のデータ、２．５期のデータ、及びＴＣＧＡのデータに適用する。ここでＴＣＧＡのデータは、大腸がんのうち、結腸腺癌（colon adenocarcinoma：COAD）及び直腸腺癌（rectum adenocarcinoma：READ）だけに限定したデータである。
　＜遺伝子変異（または遺伝子異常）を予測可能な特徴の組合せについて＞
　一実施例として、対象とする遺伝子変異（または遺伝子異常）の種類ごとに、すべての実験データの中から、下記（１）～（３）のすべての条件に合致する、第１の特徴（原発巣の部位）と第２の特徴（病理組織学的特徴）の組合せを選別した。
　（１）　２期テストセットにおいて、症例組み上げ手法１または症例組み上げ手法２のいずれかでＡＵＣ（Area Under the Curve）が０．８以上を示す（すなわち学習に使用したコホートで高精度に予測が可能である）。ここで、ＡＵＣとは、第１の軸を偽陽性率、第２の軸を真陽性率とするＲＯＣ曲線下の面積（積分）である。この面積の範囲は０から１の間の値を取ることができる。
　（２）　２期以外のいずれかのテストセットにおいて、症例組み上げ手法１または症例組み上げ手法２のいずれかでＡＵＣが０．８以上を示す（すなわち学習に使用していないコホートでも高精度に予測が可能である）。
　（３）　画像の種類と特徴の組合せが同じもののうち、必要タイル枚数が最も少ない。
　ここで、症例組み上げ手法１または症例組み上げ手法２は、以下の通りである。
　（１）症例組み上げ方法１
　選別後の領域画像群（例えば図１９の領域画像群）に含まれる各領域画像に対する遺伝子変異モデルの予測値の平均値が、閾値ｔｈ以上である場合、症例１は遺伝子変異があると予測し、そうでない場合には遺伝子変異がないと予測する方法
　（２）症例組み上げ方法２
　選別後の領域画像群（例えば図１９の領域画像群）に含まれる各領域画像に対する遺伝子変異モデルの予測値が第１の閾値ｔｈ１以上であるタイルの枚数の、選別後の領域画像群（例えば図１９の領域画像群）の全領域画像枚数に対する割合が、第２の閾値ｔｈ２以上である場合に、対象患者は遺伝子変異があると予測し、そうでない場合には遺伝子変異がないと予測する方法
　図９は、対象遺伝子変異がＢＲＡＦ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。ここで、ＢＲＡＦ＋とは、ＢＲＡＦ　Ｖ６００Ｅを含むすべてのＢＲＡＦ変異を意味する。
　図１０は、対象遺伝子変異がＢＲＡＦ　Ｖ６００Ｅ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。図１１は、対象遺伝子変異がＥＲＢＢ２＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。図１２は、対象遺伝子変異がＴＰ５３＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。図１３は、遺伝子異常の状態がＭＳＩの場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。ここでＭＳＩ（マイクロサテライト不安定性）は、遺伝子ではなく、ある遺伝子異常の状態を指す。図１４は、対象遺伝子変異がＲＡＳ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組である。図１５は、図１４の続きである。ここでＲＡＳ＋とは、ＫＲＡＳ＋またはＮＲＡＳ＋を、意味する。
　図９～図１５において、原発巣の部位、選別時の病理組織学的特徴の有無の組合せ、２期テストデータで症例組み上げ手法１のＡＵＣ及び症例組み上げ手法２のＡＵＣ、１期データで症例組み上げ手法１のＡＵＣ及び症例組み上げ手法２のＡＵＣ、２．５期データで症例組み上げ手法１のＡＵＣ及び症例組み上げ手法２のＡＵＣ、ＴＣＧＡデータで症例組み上げ手法１のＡＵＣ及び症例組み上げ手法２のＡＵＣが示されている。図１０、図１３、図１４、図１５、後述する図１６、図１７の「選別時の病理組織学的特徴の有無の組合せ」の列の「小型充実性胞巣、かつ、通常型細胞」は、小型充実性胞巣が通常型細胞で構成される（すなわち通常型細胞が小型充実性胞巣を形成する）ことを意味する。同様に図１０、図１４、図１５、後述する図１６、図１７の「選別時の病理組織学的特徴の有無の組合せ」の列の「大型充実性胞巣、かつ、通常型細胞」は、大型充実性胞巣が通常型細胞で構成される（すなわち通常型細胞が大型充実性胞巣を形成する）ことを意味する。
　図９～図１７の「○○構造（もしくは細胞）、かつ粘液△△」とは、○○構造（もしくは細胞）それと同時に粘液△△という特徴があることを意味する。具体的には図９、図１０、図１３、図１４、図１５、図１６、図１７の「篩状構造、かつ、粘液が存在しない」は、「篩状構造、それと同時に粘液が存在しない」ことを意味する。同様に、図９、図１０、図１３、図１４、図１５、図１６、図１７の「篩状構造、かつ、粘液が存在する」は、「篩状構造、それと同時に粘液が存在する」ことを意味する。同様に図１０、図１４、図１５、図１６、図１７の「非鋸歯状乳頭状構造、かつ、粘液が存在しない」は、「非鋸歯状乳頭状構造、それと同時に粘液が存在しない」ことを意味する。同様に図１１、図１５、図１６、図１７の「索状構造、かつ、粘液が存在する」は、「索状構造、それと同時に粘液が存在する」ことを意味する。同様に図１１、図１５、図１６、図１７の「索状構造、かつ、粘液漏出がある」は、「索状構造、それと同時に粘液漏出がある」ことを意味する。同様に図１２、図１６の「印環細胞、かつ、粘液漏出がある」は、「印環細胞、それと同時に粘液漏出がある」ことを意味する。図１２、図１３、図１６の「索状構造、かつ、粘液が存在しない」は、「索状構造、それと同時に粘液が存在しない」ことを意味する。同様に図１３、図１４、図１５、図１６、図１７の「篩状構造、かつ、粘液漏出がある」は、「篩状構造、それと同時に粘液漏出がある」ことを意味する。同様に図１４、図１７の「印環細胞、かつ、粘液漏出がある」は、「印環細胞、それと同時に粘液漏出がある」ことを意味する。同様に図１４、図１７の「管状構造、かつ、粘液が存在しない」は、「管状構造、それと同時に粘液が存在しない」ことを意味する。同様に図１４、図１５、図１７の「非鋸歯状乳頭状構造、かつ、粘液が存在する」は、「非鋸歯状乳頭状構造、それと同時に粘液が存在する」ことを意味する。同様に図１５、図１７の「管状構造、かつ、粘液が存在する」は、「管状構造、それと同時に粘液が存在する」ことを意味する。同様に図１５、図１７の「管状構造、かつ、粘液漏出がある」は、「管状構造、それと同時に粘液漏出がある」ことを意味する。
　図１６は、ストレージ２３に記憶されているテーブルの一例である。図１７は図１６の続きである。図１６のＢＲＡＦテーブルＴ１には、対象遺伝子変異がＢＲＡＦ＋の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。また、図１６のＢＲＡＦ　Ｖ６００ＥテーブルＴ２には、対象遺伝子変異がＢＲＡＦ　Ｖ６００Ｅの場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。
　また、図１６のＥＲＢＢ２テーブルＴ３には、対象遺伝子変異がＥＲＢＢ２の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。また、図１６のＴＰ５３テーブルＴ４には、対象遺伝子変異がＴＰ５３の場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。また、図１６のＭＳＩテーブルＴ５には、遺伝子異常の状態がＭＳＩの場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。
　また、図１７のＲＡＳテーブルＴ６には、対象遺伝子変異がＲＡＳの場合において、選別された原発巣の部位、及び選別時の病理組織学的特徴の有無の組合せの組のレコードが蓄積されている。
　続いて、図１８を用いて、各遺伝子変異の有無の推定プロセスについて説明する。図１８は、各遺伝子変異の有無の推定プロセスを示す模式図である。
　（ステップＳ１１）まず、取得部２５１は、遺伝子解析が未実施であり、遺伝子変異が不明な患者の病理組織画像を取得する。
　（ステップＳ１２）次に、分割部２５２は、患者の病理組織画像を、複数の領域画像に分割する。
　（ステップＳ１３）次に特徴予測部２５３は、病理組織学的特徴の種類毎に構築された特徴予測モデルを用いて、領域画像毎に、対象の病理組織学的特徴の有無を予測する。より詳細には例えば特徴予測部２５３は、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する。
　（ステップＳ１４）次に特徴予測部２５３は、取得された病理組織学的特徴の有無の組み合わせを用いて、前記複数の領域画像を選別する。より詳細には例えば特徴予測部２５３は、取得された病理組織学的特徴の有無の組み合わせが、遺伝子異常毎に設定された病理組織学的特徴の有無の特定の組合せに一致する領域画像を前記複数の領域画像から抽出する。
　ここで、例えばＢＲＡＦ遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＢＲＡＦテーブルＴ１に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つである。また同様に、例えばＢＲＡＦ　Ｖ６００Ｅ遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＢＲＡＦ　Ｖ６００ＥテーブルＴ２に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つである。また同様に、例えばＥＲＢＢ２遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＥＲＢＢ２テーブルＴ３に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つである。また同様に、例えばＴＰ５３遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＴＰ５３テーブルＴ４に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つであっても複数である。また同様に、例えばＭＳＩ遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＭＳＩテーブルＴ５に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つである。また同様に、例えばＲＡＳ遺伝子異常に対して設定された病理組織学的特徴の有無の特定の組合せは、例えば、図１６のＲＡＳテーブルＴ６に記憶されている「選別時の病理組織学的特徴の有無の組合せ」のうちの一つである。
　（ステップＳ１５）次に遺伝子変異予測部２５５は、病理組織学的特徴の有無の組合せおよび遺伝子変異の種類毎に構築された遺伝子変異予測モデルを用いて、領域画像毎に対象の遺伝子変異の有無を予測する。より詳細には例えば遺伝子変異予測部２５５は、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する。
　（ステップＳ１６）次に予測結果出力部２５６は、領域画像毎の予測結果を用いて、患者の各遺伝子変異の有無について予測する。
　（ステップＳ１７）次に予測結果出力部２５６は例えば、各遺伝子変異の有無について、予測結果のリストを出力する。なお、遺伝子変異の有無の予測結果は、全ての遺伝子変異の有無の予測結果でなくてもよく、少なくとも一つ以上あればよい。このように予測結果出力部２５６は、取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する。
　上記の例は、対象の遺伝子変異について、「選別時の病理組織学的特徴の有無の組合せ」に一致する領域画像を選別し、選別後の領域画像を遺伝子変異予測モデルに入力して、領域画像毎の遺伝子変異予測結果を取得し、この領域画像毎の予測結果を用いて、対象患者の対象の遺伝子変異の有無について予測したものであるが、これに限ったものではない。この一連の工程を、「選別時の病理組織学的特徴の有無の組合せ」毎に実施してもよい。この場合、どの「選別時の病理組織学的特徴の有無の組合せ」の組の場合に、対象の遺伝子変異ありと予測されたか、ということを、まとめて出力してもよい。更に、上記の処理を複数の遺伝子変異に渡って実施することによって、上記の出力が、複数の遺伝子変異に渡って、行われてもよい。
　なお、取得部２５１は、対象疾患の原発巣の部位を更に取得してもよい。この場合、選別部２５４は、前記取得された病理組織学的特徴の有無の組み合わせとともに、前記取得された対象疾患の原発巣の部位とを用いて、前記複数の領域画像を選別してもよい。
　例えば、大腸がんの場合、ＢＲＡＦ遺伝子変異の有無を予測するために、選別部２５４は例えば、ストレージ２３に記憶されたＢＲＡＦテーブルＴ１（図１６参照）を参照し、一つのレコードについて例えば「原発巣の部位」と「選別時の病理組織学的特徴の有無の組合せ」に一致する領域画像を選別してもよい。例えば最初のレコード（１行目のレコード）の場合、選別部２５４は、原発巣の部位が「大腸左側部」であり且つ選別時の病理組織学的特徴の有無の組合せが「腫瘍細胞比率が５０％を超える」ものに該当する領域画像を選別してもよい。これにより、対象疾患の原発巣の部位も用いて領域画像を選別することにより、遺伝子変異予測モデルに入力される領域画像が対象疾患に関係する領域画像に限定できる確率が向上するので、遺伝子変異の有無の予測精度を向上することができる。
　この場合、例えば、対象の遺伝子変異について、「原発巣の部位」と「選別時の病理組織学的特徴の有無の組合せ」の組に一致する領域画像を選別し、選別後の領域画像を遺伝子変異予測モデルに入力して、領域画像毎の遺伝子変異予測結果を取得し、この領域画像毎の予測結果を用いて、対象患者の対象の遺伝子変異の有無について予測する。この一連の工程を、「原発巣の部位」と「選別時の病理組織学的特徴の有無の組合せ」の組毎に実施してもよい。この場合、どの「原発巣の部位」と「選別時の病理組織学的特徴の有無の組合せ」の組の場合に、対象の遺伝子変異ありと予測されたか、ということを、まとめて出力してもよい。更に、上記の処理を複数の遺伝子変異に渡って実施することによって、上記の出力が、複数の遺伝子変異に渡って、行われてもよい。
　続いて、図１９を用いて領域画像に対する予測結果から患者単位の予測結果に組み上げる方法について説明する。図１９は、領域画像に対する予測結果から患者単位の予測結果に組み上げる方法を説明するための模式図である。図１９には、対象患者由来の選別後の画像領域と、遺伝子変異予測モデルによる領域画像毎の予測値との組が示されている。
　予測結果出力部２５６は例えば、選別後の領域画像群（例えば図１９の領域画像群）に含まれるタイル枚数がＫ以上の場合に、上記症例組み上げ方法１または症例組み上げ方法２により、症例レベルでの遺伝子変異の有無を予測する。一方、予測結果出力部２５６は例えば、タイル枚数がＫ未満の場合は、症例レベルでの遺伝子変異予測自体を行わない（結果として遺伝子変異がないものとして扱う）。
　続いて、端末１における画面遷移の一例について図２０を用いて説明する。図２０は、端末における画面遷移の一例を説明するための模式図である。図２０に示すように、端末１の画面Ｇ１において、患者の病理組織画像を選択するために病理組織画像ファイルのパスを入力するためのテキストボックスＴＢ１と病理組織画像ファイルを参照するための参照ボタンＢ１が設けられている。また、大腸がんの原発巣の部位の位置を選択するラジオボタンＢ２が設けられている。患者の病理組織画像が選択され且つ大腸がんの原発巣の部位の位置が選択された状態で送信ボタンＢ３が押された場合、画面Ｇ２に遷移する。遷移後の画面Ｇ２において、遺伝子変異の有無の予測結果のリストが表示される。
　続いて、図２０の画面遷移の処理の流れを図２１を用いて説明する。図２１は、図２０の画面遷移の処理の流れの一例を示すフローチャートである。
　（ステップＳ１１０）まず端末１は、患者の病理組織画像、大腸がんの原発巣の部位を受け付ける。
　（ステップＳ１２０）次に端末１は、当該患者の病理組織画像、大腸がんの原発巣の部位をコンピュータシステム２へ送信する。
　（ステップＳ１３０）次にコンピュータシステム２は、当該患者の病理組織画像、大腸がんの原発巣の部位を受信し、当該患者の病理組織画像、大腸がんの原発巣の部位を用いて、各遺伝子変異の有無の予測結果を表示するための情報を出力する。この処理の詳細は、図１８で説明したので、その説明を省略する。
　（ステップＳ１４０）次にコンピュータシステム２は、各遺伝子変異の有無の予測結果を表示するための情報を端末１へ送信する。
　（ステップＳ１５０）次に端末１は、各遺伝子変異の有無の予測結果を表示するための情報を受信し、この情報を用いて、各遺伝子変異の有無について、予測結果を表示する。以上で、本フローチャートの処理を終了する。
　以上、本実施形態に係る情報処理システムＳは、対象疾患の患者の病理組織画像を取得する取得部２５１と、前記患者の病理組織画像を、複数の領域画像に分割する分割部２５２と、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部２５３と、前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部２５４と、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部２５５と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部２５６と、を備える。
　この構成によれば、対象疾患の患者の病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、対象疾患の遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、その一例として大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するための情報処理システムである。この情報処理システムＳは、前記患者の大腸がん病理組織画像を取得する取得部２５１を備える。更に情報処理システムＳは、前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割部２５２を備える。更に情報処理システムＳは、病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部２５３を備える。更に情報処理システムＳは、前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部２５４を備える。更に情報処理システムＳは、病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部２５５と、前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部２５６と、を備える。
　この構成によれば、大腸がんの患者の大腸がん病理組織画像を入力すれば、遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、大腸がんの遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるにおけるＢＲＡＦ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、腫瘍細胞比率が５０％を超える画像、及び／または乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像を選択する手段と、前記選択された画像を用いてＢＲＡＦ遺伝子変異の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＢＲＡＦ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＢＲＡＦ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＢＲＡＦ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、軌条様式を含む画像、及び／または小型充実性胞巣を含む画像、及び／または小型充実性胞巣が通常型細胞で構成される画像、及び／または大型充実性胞巣が通常型細胞で構成される画像、及び／または長楕円形核を含む画像、及び／または粘液が存在する画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像を選択する手段と、前記選択された画像を用いてＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＢＲＡＦ　Ｖ６００Ｅ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるＥＲＢＢ２遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、索状構造を含みかつ粘液が存在する画像、及び／または索状構造を含みかつ粘液漏出がある画像を選択する手段と、前記選択された画像を解析対象としてＥＲＢＢ２遺伝子変異の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＥＲＢＢ２遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＥＲＢＢ２遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＥＲＢＢ２遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるＴＰ５３遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、印環細胞を含みかつ粘液漏出がある画像、及び／または杯細胞を含む画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または粘液漏出がある画像を選択する手段と、前記選択された画像を用いてＴＰ５３遺伝子変異の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＴＰ５３遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＴＰ５３遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＴＰ５３遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるＭＳＩ遺伝子異常の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、軌条様式を含む画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または腫瘍細胞比率が５０％を超える画像、及び／または充実性胞巣を含む画像、及び／または小型充実性胞巣が通常型細胞で構成される画像、及び／または長楕円形核を含む画像、及び／または乳頭状構造を含む画像、及び／または杯細胞を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または類円形核を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含みかつ粘液漏出がある画像を選択する手段と、前記選択された画像を用いてＭＳＩ遺伝子異常の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＭＳＩ遺伝子異常の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＭＳＩ遺伝子異常の有無の予測結果に対応する医薬品を処方できるので、がんのＭＳＩ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　また本実施形態に係る情報処理システムは、腫瘍におけるＲＡＳ遺伝子変異の有無を推定する情報処理システムであって、前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、当該分割された画像の中から、印環細胞を含みかつ粘液漏出がある画像、及び／または管状構造を含みかつ粘液が存在しない画像、及び／または索状構造を含みかつ粘液が存在しない画像、及び／または小型充実性胞巣を含む画像、及び／または大型充実性胞巣を含む画像、及び／または大型充実性胞巣が通常型細胞で構成される画像、及び／または乳頭状構造を含む画像、及び／または粘液が存在しない画像、及び／または粘液が存在する画像、及び／または杯細胞を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または篩状構造を含みかつ粘液漏出がある画像、及び／または簇出が存在する画像、及び／または腫瘍細胞比率が５０％を超える画像、及び／または小型充実性胞巣を含む画像、及び／または小型充実性胞巣が通常型細胞で構成される画像、及び／または大型充実性胞巣を含む画像、及び／または長楕円形核を含む画像、及び／または粘液が存在する画像、及び／または粘液漏出がある画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含む画像、及び／または篩状構造を含みかつ粘液が存在しない画像、及び／または篩状構造を含みかつ粘液が存在する画像、及び／または管状構造を含みかつ粘液が存在する画像、及び／または管状構造を含みかつ粘液漏出がある画像、及び／または軌条様式を含む画像、及び／または高度細胞異型を含む画像、及び／または索状構造を含みかつ粘液が存在する画像、及び／または索状構造を含みかつ粘液漏出がある画像、及び／または充実性胞巣を含む画像、及び／または非鋸歯状乳頭状構造を含む画像、及び／または非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または類円形核を含む画像を選択する手段と、前記選択された画像を用いてＲＡＳ遺伝子変異の有無を推定する手段と、を備える。
　この構成により、病理組織画像を入力すれば、ＲＡＳ遺伝子変異の有無の予測結果をすぐに得ることができる。これにより、臨床医は、この予測結果を参照して、当該患者に対して、ＲＡＳ遺伝子変異の有無の予測結果に対応する医薬品を処方できるので、がんのＲＡＳ遺伝子異常に応じた医薬品の投与の遅れを抑制することができる。
　なお、上述した実施形態で説明したコンピュータシステム２の少なくとも一部は、ハードウェアで構成してもよいし、ソフトウェアで構成してもよい。ソフトウェアで構成する場合には、コンピュータシステム２の少なくとも一部の機能を実現するプログラムをフレキシブルディスクやＣＤ－ＲＯＭ等の記録媒体に収納し、コンピュータに読み込ませて実行させてもよい。記録媒体は、磁気ディスクや光ディスク等の着脱可能なものに限定されず、ハードディスク装置やメモリなどの固定型の記録媒体でもよい。
　また、コンピュータシステム２の少なくとも一部の機能を実現するプログラムを、インターネット等の通信回線（無線通信も含む）を介して頒布してもよい。さらに、同プログラムを暗号化したり、変調をかけたり、圧縮した状態で、インターネット等の有線回線や無線回線を介して、あるいは記録媒体に収納して頒布してもよい。
　さらに、一つまたは複数の情報機器によってコンピュータシステム２を機能させてもよい。複数の情報機器を用いる場合、そのうちの１つをコンピュータとし、当該コンピュータが所定のプログラムを実行することによりコンピュータシステム２の少なくとも１つの手段として機能が実現されてもよい。
　また、方法の発明においては、全ての工程（ステップ）をコンピュータによって自動制御で実現するようにしてもよい。また、各工程をコンピュータに実施させながら、工程間の進行制御を人の手によって実施するようにしてもよい。また、さらには、全工程のうちの少なくとも一部を人の手によって実施するようにしてもよい。
　以上、本発明は上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。更に、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。
１　端末
２　コンピュータシステム
２１　入力インタフェース
２２　通信モジュール
２３　ストレージ
２４　メモリ
２５　プロセッサ
２５０　出力部
２５１　取得部
２５２　分割部
２５３　特徴予測部
２５４　選別部
２５５　遺伝子変異予測部
２５６　予測結果出力部

 

Claims (16)

  1. 　対象疾患の患者の病理組織画像を取得する取得部と、
    　前記患者の病理組織画像を、複数の領域画像に分割する分割部と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部と、
    　を備える情報処理システム。
  2. 　前記取得部は、対象疾患の原発巣の部位を更に取得し、
    　前記選別部は、前記取得された病理組織学的特徴の有無の組み合わせとともに、前記取得された対象疾患の原発巣の部位とを用いて、前記複数の領域画像を選別する
    　請求項１に記載の情報処理システム。
  3. 　前記特徴予測モデルは、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力として用いる学習用データを用いて機械学習されたモデルであり、
    　前記遺伝子変異予測モデルは、病理組織学的特徴の有無の組み合わせを用いて選別された領域画像を入力とし、特定の遺伝子変異の有無の情報を出力として用いる学習用データを用いて機械学習されたモデルである
    　請求項１または２に記載の情報処理システム。
  4. 　大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するための情報処理システムであって、
    　前記患者の大腸がん病理組織画像を取得する取得部と、
    　前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割部と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測部と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別部と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測部と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力部と、
    　を備える情報処理システム。
  5. 　前記取得部は、大腸がんの原発巣の部位を更に取得し、
    　前記選別部は、前記決定された少なくとも一つの病理組織学的特徴とともに、前記取得された大腸がんの原発巣の部位を用いて、前記複数の領域画像を選別する
    　請求項４に記載の情報処理システム。
  6. 　前記特徴予測モデルは、病理組織画像が分割された領域画像を入力とし、当該領域画像に対して付与された病理組織学的特徴を出力として用いる学習用データを用いて機械学習されたモデルであり、
    　前記遺伝子変異予測モデルは、病理組織学的特徴の有無の組み合わせを用いて選別された領域画像を入力とし、特定の遺伝子変異の有無の情報を出力として用いる学習用データを用いて機械学習されたモデルである
    　請求項４または５に記載の情報処理システム。
  7. 　対象疾患の患者の病理組織画像を取得する取得手順と、
    　前記患者の病理組織画像を、複数の領域画像に分割する分割手順と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、
    　を有する情報処理方法。
  8. 　大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するための情報処理方法であって、
    　前記患者の大腸がん病理組織画像を取得する取得手順と、
    　前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割手順と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、
    　を有する情報処理方法。
  9. 　コンピュータに、
    　対象疾患の患者の病理組織画像を取得する取得手順と、
    　前記患者の病理組織画像を、複数の領域画像に分割する分割手順と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、選別によって選ばれた領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、
    　を実行させるためのプログラム。
  10. 　大腸がんの患者の大腸がん組織において変異が起こっている遺伝子を予測するためのプログラムであって、コンピュータに、
    　前記患者の大腸がん病理組織画像を取得する取得手順と、
    　前記患者の大腸がん病理組織画像を、複数の領域画像に分割する分割手順と、
    　病理組織学的特徴の種類毎に構築された複数の特徴予測モデルそれぞれに対して、領域画像を入力して、病理組織学的特徴の有無の予測情報をそれぞれ取得する特徴予測手順と、
    　前記取得された病理組織学的特徴の有無の組み合わせが、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つに対して予め設定された選別時の病理組織学的特徴の有無の組合せに合致する領域画像を複数選別する選別手順と、
    　病理組織学的特徴の有無の組み合わせ及び遺伝子変異の種類毎に構築された遺伝子変異予測モデルそれぞれに対して、当該選別された領域画像を入力して、遺伝子変異の有無の予測情報をそれぞれ取得する遺伝子変異予測手順と、
    　前記取得された領域画像毎の遺伝子変異の有無の予測情報を用いて、前記患者について、ＢＲＡＦ、ＢＲＡＦ　Ｖ６００Ｅ、ＥＲＢＢ２、ＲＡＳ、ＴＰ５３、またはＭＳＩのうち少なくとも一つの遺伝子変異の有無の予測結果を出力する予測結果出力手順と、
    　を実行させるためのプログラム。
  11. 　腫瘍におけるＢＲＡＦ遺伝子変異の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　腫瘍細胞比率が５０％を超える画像、及び／または
    　乳頭状構造を含む画像、及び／または
    　非鋸歯状乳頭状構造を含む画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または
    　篩状構造を含む画像、及び／または
    　篩状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在する画像を選択する手段と、
    　前記選択された画像を用いてＢＲＡＦ遺伝子変異の有無を推定する手段と、
    　を備える情報処理システム。
  12. 　腫瘍におけるＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　軌条様式を含む画像、及び／または
    　小型充実性胞巣を含む画像、及び／または
    　小型充実性胞巣が通常型細胞で構成される画像、及び／または
    　大型充実性胞巣が通常型細胞で構成される画像、及び／または
    　長楕円形核を含む画像、及び／または
    　粘液が存在する画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在する画像を選択する手段と、
    　前記選択された画像を用いてＢＲＡＦ　Ｖ６００Ｅ遺伝子変異の有無を推定する手段と、
    　を備える情報処理システム。
  13. 　腫瘍におけるＥＲＢＢ２遺伝子変異の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　索状構造を含みかつ粘液が存在する画像、及び／または
    　索状構造を含みかつ粘液漏出がある画像を選択する手段と、
    　前記選択された画像を解析対象としてＥＲＢＢ２遺伝子変異の有無を推定する手段と、
    　を備える情報処理システム。
  14. 　腫瘍におけるＴＰ５３遺伝子変異の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　印環細胞を含みかつ粘液漏出がある画像、及び／または
    　杯細胞を含む画像、及び／または
    　索状構造を含みかつ粘液が存在しない画像、及び／または
    　粘液漏出がある画像を選択する手段と、
    　前記選択された画像を用いてＴＰ５３遺伝子変異の有無を推定する手段と、
    　を備える情報処理システム。
  15. 　腫瘍におけるＭＳＩ遺伝子異常の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　軌条様式を含む画像、及び／または
    　索状構造を含みかつ粘液が存在しない画像、及び／または
    　腫瘍細胞比率が５０％を超える画像、及び／または
    　充実性胞巣を含む画像、及び／または
    　小型充実性胞巣が通常型細胞で構成される画像、及び／または
    　長楕円形核を含む画像、及び／または
    　乳頭状構造を含む画像、及び／または
    　杯細胞を含む画像、及び／または
    　非鋸歯状乳頭状構造を含む画像、及び／または
    　類円形核を含む画像、及び／または
    　篩状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在する画像、及び／または
    　篩状構造を含みかつ粘液漏出がある画像を選択する手段と、
    　前記選択された画像を用いてＭＳＩ遺伝子異常の有無を推定する手段と、
    　を備える情報処理システム。
  16. 　腫瘍におけるＲＡＳ遺伝子変異の有無を推定する情報処理システムであって、
    　前記腫瘍の病理組織画像を１つもしくは複数の画像に分割する手段と、
    　当該分割された画像の中から、
    　印環細胞を含みかつ粘液漏出がある画像、及び／または
    　管状構造を含みかつ粘液が存在しない画像、及び／または
    　索状構造を含みかつ粘液が存在しない画像、及び／または
    　小型充実性胞巣を含む画像、及び／または
    　大型充実性胞巣を含む画像、及び／または
    　大型充実性胞巣が通常型細胞で構成される画像、及び／または
    　乳頭状構造を含む画像、及び／または
    　粘液が存在しない画像、及び／または
    　粘液が存在する画像、及び／または
    　杯細胞を含む画像、及び／または
    　非鋸歯状乳頭状構造を含む画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または
    　篩状構造を含む画像、及び／または
    　篩状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在する画像、及び／または
    　篩状構造を含みかつ粘液漏出がある画像、及び／または
    　簇出が存在する画像、及び／または
    　腫瘍細胞比率が５０％を超える画像、及び／または
    　小型充実性胞巣を含む画像、及び／または
    　小型充実性胞巣が通常型細胞で構成される画像、及び／または
    　大型充実性胞巣を含む画像、及び／または
    　長楕円形核を含む画像、及び／または
    　粘液が存在する画像、及び／または
    　粘液漏出がある画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含む画像、及び／または
    　篩状構造を含みかつ粘液が存在しない画像、及び／または
    　篩状構造を含みかつ粘液が存在する画像、及び／または
    　管状構造を含みかつ粘液が存在する画像、及び／または
    　管状構造を含みかつ粘液漏出がある画像、及び／または
    　軌条様式を含む画像、及び／または
    　高度細胞異型を含む画像、及び／または
    　索状構造を含みかつ粘液が存在する画像、及び／または
    　索状構造を含みかつ粘液漏出がある画像、及び／または
    　充実性胞巣を含む画像、及び／または
    　非鋸歯状乳頭状構造を含む画像、及び／または
    　非鋸歯状乳頭状構造を含みかつ粘液が存在する画像、及び／または
    　類円形核を含む画像を選択する手段と、
    　前記選択された画像を用いてＲＡＳ遺伝子変異の有無を推定する手段と、
    　を備える情報処理システム。
PCT/JP2020/038843 2020-10-14 2020-10-14 情報処理システム、情報処理方法及びプログラム WO2022079847A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202080106293.5A CN116710954A (zh) 2020-10-14 2020-10-14 信息处理系统、信息处理方法以及程序
JP2022556767A JPWO2022079847A1 (ja) 2020-10-14 2020-10-14
EP20957676.8A EP4231228A1 (en) 2020-10-14 2020-10-14 Information processing system, information processing method, and program
US18/248,706 US20230274428A1 (en) 2020-10-14 2020-10-14 Information processing system, information processing method, and program
PCT/JP2020/038843 WO2022079847A1 (ja) 2020-10-14 2020-10-14 情報処理システム、情報処理方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/038843 WO2022079847A1 (ja) 2020-10-14 2020-10-14 情報処理システム、情報処理方法及びプログラム

Publications (1)

Publication Number Publication Date
WO2022079847A1 true WO2022079847A1 (ja) 2022-04-21

Family

ID=81208980

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/038843 WO2022079847A1 (ja) 2020-10-14 2020-10-14 情報処理システム、情報処理方法及びプログラム

Country Status (5)

Country Link
US (1) US20230274428A1 (ja)
EP (1) EP4231228A1 (ja)
JP (1) JPWO2022079847A1 (ja)
CN (1) CN116710954A (ja)
WO (1) WO2022079847A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023176256A (ja) * 2022-05-31 2023-12-13 楽天グループ株式会社 画像からデータを予測する方法、コンピュータシステム、及びコンピュータ可読媒体

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11989628B2 (en) * 2021-03-05 2024-05-21 International Business Machines Corporation Machine teaching complex concepts assisted by computer vision and knowledge reasoning

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017010397A1 (ja) * 2015-07-15 2017-01-19 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest
WO2019159821A1 (ja) * 2018-02-15 2019-08-22 国立大学法人新潟大学 高頻度変異型癌の判別システム、プログラム及び方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017010397A1 (ja) * 2015-07-15 2017-01-19 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest
WO2019159821A1 (ja) * 2018-02-15 2019-08-22 国立大学法人新潟大学 高頻度変異型癌の判別システム、プログラム及び方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
COUDRAY NICOLAS; OCAMPO PAOLO SANTIAGO; SAKELLAROPOULOS THEODORE; NARULA NAVNEET; SNUDERL MATIJA; FENYö DAVID; MOREIRA ANDRE : "Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning", NATURE MEDICINE, NATURE PUBLISHING GROUP US, NEW YORK, vol. 24, no. 10, 17 September 2018 (2018-09-17), New York, pages 1559 - 1567, XP036608997, ISSN: 1078-8956, DOI: 10.1038/s41591-018-0177-5 *
FU YU, JUNG ALEXANDER W., TORNE RAMON VIÑAS, GONZALEZ SANTIAGO, VÖHRINGER HARALD, SHMATKO ARTEM, YATES LUCY R., JIMENEZ-LINAN MERC: "Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis", NATURE CANCER, vol. 1, no. 8, 1 August 2020 (2020-08-01), pages 800 - 810, XP055932862, DOI: 10.1038/s43018-020-0085-8 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023176256A (ja) * 2022-05-31 2023-12-13 楽天グループ株式会社 画像からデータを予測する方法、コンピュータシステム、及びコンピュータ可読媒体

Also Published As

Publication number Publication date
US20230274428A1 (en) 2023-08-31
JPWO2022079847A1 (ja) 2022-04-21
CN116710954A (zh) 2023-09-05
EP4231228A1 (en) 2023-08-23

Similar Documents

Publication Publication Date Title
Yang et al. Can CT-based radiomics signature predict KRAS/NRAS/BRAF mutations in colorectal cancer?
Fan et al. MuSE: accounting for tumor heterogeneity using a sample-specific error model improves sensitivity and specificity in mutation calling from sequencing data
Kristensen et al. Principles and methods of integrative genomic analyses in cancer
CN111278993A (zh) 从无细胞核酸中检测体细胞单核苷酸变体并应用于微小残留病变监测
AU2021251264A1 (en) Predicting likelihood and site of metastasis from patient records
TWI814753B (zh) 用於標靶定序之模型
WO2022079847A1 (ja) 情報処理システム、情報処理方法及びプログラム
Lucas et al. Deep learning–based recurrence prediction in patients with non–muscle-invasive bladder cancer
EP3629904A1 (en) Methods and systems for identifying or monitoring lung disease
JP2008511058A (ja) コンピュータシステムを用いるデータ品質および／または部分異数染色体の決定
Berens et al. Multiscale, multimodal analysis of tumor heterogeneity in IDH1 mutant vs wild-type diffuse gliomas
US20200321091A1 (en) System and method for prediction of medical treatment effect
Caines et al. Cluster analysis of multiplex ligation-dependent probe amplification data in choroidal melanoma
CN110916666B (zh) 一种预测手术切除肝细胞癌复发的影像组学特征处理方法
Hequet et al. Prospective, multicenter French study evaluating the clinical impact of the Breast Cancer Intrinsic Subtype-Prosigna® Test in the management of early-stage breast cancers
Zhao et al. Survival prediction in gliomas: current state and novel approaches
Marko et al. Why is there a lack of consensus on molecular subgroups of glioblastoma? Understanding the nature of biological and statistical variability in glioblastoma expression data
Choe et al. CT radiomics-based prediction of anaplastic lymphoma kinase and epidermal growth factor receptor mutations in lung adenocarcinoma
Li et al. Integrative analysis of histopathological images and genomic data in colon adenocarcinoma
US12020777B1 (en) Cancer diagnostic tool using cancer genomic signatures to determine cancer type
Mbogning et al. Bagging survival tree procedure for variable selection and prediction in the presence of nonsusceptible patients
CN114613498B (zh) 一种基于机器学习的辅助mdt临床决策方法、系统及设备
Chen et al. Convolutional Neural Network Quantification of Gleason Pattern 4 and association with biochemical recurrence in intermediate-grade prostate tumors
US20220301654A1 (en) Systems and methods for predicting and monitoring treatment response from cell-free nucleic acids
CN115312126A (zh) 一种无创预测egfr/tp53共突变肺癌患者的人工智能系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20957676

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022556767

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202080106293.5

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020957676

Country of ref document: EP

Effective date: 20230515