SHIFTモデル：不完全で不均一なゲノムデータからの生存予測
精密腫瘍学において、ゲノム予測モデルは施設間でシーケンシングパネルが異なるため、展開時に構造的特徴欠損が生じ、うまく転送できないことがよくあります。従来のアプローチでは、コホート間で共有される遺伝子に分析を制限する、不完全なプロファイルの患者を除外する、またはテスト時に補完する方法が一般的でした。しかし、これらの方法には限界があります。共有遺伝子に制限すると情報が失われ、患者除外はサンプルサイズ減少とバイアスを招き、テスト時補完はノイズを導入し欠損パターンに敏感です。
この問題に対処するため、研究チームはSHIFT（Survival prediction Handling Incomplete Features using Transformer）を提案しました。これは、テスト時の補完なしに不完全なゲノム入力から直接予測する欠損認識生存モデルです。SHIFTは各ゲノム特徴を個別に表現し、マスク付き自己注意機構と特徴利用可能性マスクを使用して、観測された入力のみに基づいて予測を行います。さらに、トレーニング中に可変レートの特徴マスキングを導入し、異質な欠損パターンに対するロバスト性を向上させます。
研究チームは、膠芽腫（GBM）と肺扁平上皮癌（LUSC）の2種類のがんでSHIFTを評価しました。複数の外部検証コホートを使用し、その中にはコホート間のパネル不一致が深刻な困難な設定も含まれています。実験結果は、SHIFTがさまざまな設定で強力な一般化能力を示し、標準的な生存ベースラインや補完ベースの手法よりも優れていることを示しました。特に、SHIFTは異なる特徴セットに対して単一のモデルで対応でき、各コホートごとに再トレーニングする必要がありません。
さらに、開発中に不完全なコホートの患者を組み込むことで、外部データのパフォーマンスが向上することがわかりました。これは、部分的に観測されたコホートをモデル構築から除外する必要がないことを示唆しており、多施設データをより有効に活用できる可能性を示しています。これらの結果は、精密腫瘍学における多施設生存予測のための実用的な戦略として欠損認識モデリングを支持するものです。
SHIFTモデルは、ゲノムデータの構造的欠損問題に対する効率的でロバストなソリューションを提供し、施設間生存予測モデルの臨床応用を促進することが期待されます。