One scale to rule them all: interpretable multi-scale Deep Learning for predicting cell survival after proton and carbon ion irradiation

技術要約：すべてを統べる一つのスケール：細胞生存予測のための解釈可能なマルチスケール・ディープラーニング

問題提起
放射線場の物理的特性と生物学的損傷の関係は、放射線治療および放射線防護の中核をなすものである。しかし、エネルギー付与の空間スケール（ナノメートル、マイクロメートル、およびマクロスケール）と生物学的効果との間の関連性は、完全には理解されていない。従来の放射生物学的モデリングは、線エネルギー付与（LET）によるマクロな平均、細胞スケールの微小線量測定（マイクロドシメトリ）、あるいはDNAサイズの体積を対象としたナノ線量測定（ナノドシメトリ）など、単一の空間領域に依存することが多く、異なるスケールにわたる放射線の確率論的な複雑さを軽視している。極めて重要な未解決の問いは、生物学的効果を予測するために最も関連性の高い特定のドメインサイズが存在するのか、それともこれらのスケールが相補的なのかという点である。さらに、ディープラーニング（DL）は高い予測精度を提供する一方で、その「ブラックボックス」的な性質が、解釈性とメカニズム的な洞察が求められる臨床現場での活用を制限している。

手法
これらの課題に対処するため、著者らは、陽子線および炭素イオンの細胞生存実験を含む粒子照射データアンサンブル（PIDE）データセットを用いて訓練された、解釈可能なディープラーニングモデルを開発した。

• データ拡張： 本研究では、従来のマクロなパラメータを超えた物理的記述子をシミュレーションすることで、PIDEデータセットを拡張した。MC-STARtrackおよびOpen-TOPASモンテカルロ・ツールキットを用い、以下の項目を生成した：
  • ナノ線量測定量： 具体的には、DNAサイズの体積内における電離クラスターサイズの相補累積分布関数 $F^*(n)$ であり、これは複雑なDNA損傷と相関する。
  • 微小線量測定量： 細胞核を代表する1-$\mu$mの水球における、頻度平均（$\bar{y}_F$）および線量平均（$\bar{y}_D$）線エネルギー。
  • マクロ線量測定量： 標準的なLETおよび線量値。
• モデルアーキテクチャ： 本アプローチの中核は、逐次的なアテンション機構を採用したTabNetベースのアーキテクチャである。標準的なニューラルネットワークとは異なり、このモデルは一連の決定ステップを通じて動作する。各ステップにおいて、アテンティブ・トランスフォーマーは（Sparsemax関数を用いて）疎な特徴選択マスクを生成し、関連する入力特徴量を動的に選択する。
  • 解釈可能性： モデルは、ステップ間で同じ特徴量が繰り返し選択されることを抑制し、多様な特徴選択を促進する特徴量プライアを利用している。また、アテンションマスクのエントロピーに基づくスパース性正則化項が訓練目的関数に追加されている。この設計により、「ネイティブな解釈可能性」が確保され、SHAPのような事後的な説明ツールを必要とせずに、モデルがどの空間スケールが決定に寄与しているかを強調できる。
• 訓練と評価： モデルは、線形二次モデル（LQ形式）から導出された細胞生存パラメータを予測するように訓練された。性能は、独立したデータフォールドを用いた平均絶対百分率誤差（MAPE）および平方根平均二乗誤差（RMSE）によって評価された。モデルの予測は、確立された臨床モデルである微小線量動力学モデル（MKM）およびローカル効果モデル（LEM）バージョンIIIと比較された。
• エンドポイント： 研究では、以下の3つの生物学的に重要なエンドポイントに焦点を当てた：
  1. 相対的生物学的効果（RBE）の算出に使用される、10%生存時の線量（$D_{10}$）。
  2. 2 Gy（従来の分割線量）における生存率。
  3. 生存曲線の初期勾配（低線量限界）、これは固有の放射線感受性を反映する。

主な結果

• 予測精度： マルチスケールDLモデルは、RBE予測において9.5%のMAPEを達成し、MKMおよびLEMに対して優れた性能を示した。具体的には、V79およびHSG細胞株において平均RMSE約0.1を達成し、MKM（それぞれ0.8および0.2）およびLEM（それぞれ1.3および0.5）を大幅に上回った。
• 特徴量の重要度とスケールの寄与：
  • 支配的な単一スケールの不在： 分析の結果、すべての条件下で支配的な単一の空間スケールは存在しないことが明らかになった。代わりに、モデルは相補的な情報を動的に組み合わせている。
  • スケールの階層性： より小さな空間ドメインで定義された量（ナノドシメトリ）は、一般にマクロな記述子よりも大きな影響を及ぼす。具体的には、ナノドシメトリの記述子 $F^*(1)$ が、すべてのエンドポイントにおいて一貫して最も高いアテンションを示した。
  • エンドポイント依存性：
    • $D_{10}$ および 2 Gy については、アテンションはより均等に分布しており、$\bar{y}_D$ と LET が $F^*(1)$ に次いで有力な指標として浮上した。
    • 低線量限界については、ナノドシメトリの指標が明確な優位性を示し、$\bar{y}_F$ のみが同等の重要性に近づいた。
  • 粒子およびエネルギー依存性：
    • 炭素イオン： ナノドシメトリは、陽子線よりも炭素イオンにおいて約3倍重要であった。モデルは、明示的な数学的飽和項を用いることなく、微小線量測定量とナノ線量測定量の相互作用に依拠することで、「オーバーキル効果」（非常に高いLETにおける生物学的有効性の低下）を捉えた。
    • 陽子線： 主に $\bar{y}_F$ によって、高エネルギー域では微小線量測定量が著しく重要になった。
• 放射線感受性： モデルのアテンションパターンは、細胞株の放射線感受性（$\alpha_X/\beta_X$ 比で定義）に基づいて変化した。高感受性細胞株（$\alpha_X/\beta_X > 4$ Gy）は、スケール間でより安定したアテンションを示したが、低感受性細胞株は、エネルギーの上昇に伴い微小線量測定量およびLETへのアテンションが増加した。

意義と主張
本論文の主要な貢献は、単により正確な予測モデルの導入ではなく、マルチスケール放射生物学的モデリングにおける解釈可能性の調査である。透明性の高いDLアーキテクチャを活用することで、本研究は以下を実証している：

1. マルチスケール統合の不可欠性： 放射線誘発される生物学的効果を正確に予測するには、単一の物理的記述子に頼るのではなく、ナノドシメトリ、微小線量測定、およびマクロスケールの情報を統合することが不可欠である。
2. データ駆動型のメカニズム的洞察： モデルは、定義された数学的モデル（LEMやMKMなど）の構造的なバイアスから自由であり、データの特性から各空間スケールの相対的な寄与が自然に立ち上がることを可能にする。
3. 臨床的関連性： このフレームワークは、エネルギー付与の異なるスケールがどのように生物学的結果に影響を与えるかを理解するための新しいレンズを提供し、粒子線治療計画の最適化を導く洞察を与える。
4. 透明性： 内蔵されたアテンション機構はネイティブな解釈可能性を提供し、モデルの意思決定プロセスに関する透明な洞察を提供することで、放射線治療におけるAI導入の大きな障壁を解消する。

著者らは、現在の研究はデータの可用性と使用された特定のエンドポイントによる制限があるものの、このアプローチは詳細な物理的および生物学的記述を治療計画の最適化に組み込むための変革的な機会を提供し、粒子線治療の精密化と個別化を前進させるものであると結論付けている。