Deep learningを用いた胸部Ｘ線画像における肺高血圧病態分類の取り組み
| Project/Area Number |
21K12706
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90130:Medical systems-related
|
|---|
| Research Institution | The University of Tokushima |
|---|
Principal Investigator |
渡部 有紀奈 (平田 有紀奈) 徳島大学, 病院, 臨床検査技師 (90747817)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
古徳 純一 帝京大学, 医療技術学部, 教授 (70450195)
楠瀬 賢也 徳島大学, 病院, 講師 (70507649)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥390,000 (Direct Cost: ¥300,000、Indirect Cost: ¥90,000)
Fiscal Year 2021: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
|
|---|
| Keywords | Deep learninng / 胸部Ｘ線画像 / 肺高血圧病態分類 / 機械学習 |
|---|
| Outline of Research at the Start |
肺高血圧(PH)は治療の遅れが予後を左右する進行性の疾患群であるが，その原因によって治療内容が大きく異なる。そのため正確な病因分類が肝要となる．しかし一方で，確定診断には侵襲的な右心カテーテル検査が必須であり，PHを疑う全ての患者に対し容易に検査を実施できないのが現状である．
近年，人工知能による機械学習が発達し，その中でもディープラーニング (DL) が多くの医療分野において疾患の検出や分類のための手段として利用されている．そこで我々は，胸部X線画にDLアルゴリズムを組み合わせることで，PHの有無おおよび分類のための学習モデルが作成できないか探索を行い，その有用性を検討することを目的とした．
|
| Outline of Annual Research Achievements |
肺高血圧（PH）は病因が多岐にわたり，その原因によって治療内容が大きく異なる．そのため，正確な診断が適切な治療を行うための肝要となる．しかし一方 で，確定診断には侵襲的な右心カテーテル検査 (RHC) が必須であり，PHを疑う全ての患者に対し容易に検査を実施できないのが現状である． それらを踏まえ我々は，単施設後ろ向き研究で人工知能を用いた画像解析による研究を行っている．
Deep learningを用いた胸部X線画像における肺高血圧分類モデルを作成し、論文化したモデルを用いた臨床応用について、研究共同施設である帝京大学グループとともに会議を重ねている.
令和4年度は2本の研究内容の論文化にむけて取り組んできた．１つは，PAWP上昇を予測する学習モデルが，従来の指標に加えて心不全患者の臨床転帰の予測能に付加的価値があるか否かの検討である．心不全加療目的で入院した患者 192例（平均年齢69±14歳，男性61％）を対象として，退院前のXp画像を使用し，DL学習モデルを用いて心不全確率を算出し心不全治療後の再入院および心臓死 を予測できるか評価した結果，学習モデルを使って検出できた心不全確率は，臨床転帰の悪化と関連していることが判明した．この研究内容については、現在論文投稿中である．
もう1本は，早期肺高血圧を検出する強みを生かし，6分間歩行負荷心エコー図検査で運動誘発性肺高血圧と診断された患者を予測できないかについても検討しており，その内容については昨年度、論文が受理された．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2日臨床で学習モデルを用いる有用性について１本の論文が受理された．6分間歩行負荷心エコー図検査で運動誘発性肺高血圧と 診断された患者を予測できないかについて検討した内容である。
さらに、現在は共同研究グループである帝京大学と会議を重ね、機械学習を使用し、心エコー図検査のルーチン項目で得られた結果と、右心カテーテルの結果を学習させた機械学習モデルを作成し、従来の肺高血圧の評価と比べて分類が優れているか否かについて検討している．さらに肺高血圧の診断率やその根拠について説明可能な分類器を使用することで、個々の患者における機械学習導入による肺高血圧確率とその説明変数の提示が可能となった．この学習モデルの有用性について、現在、学習モデル作成に用いたトレーニングデータセットと異なる、独立したコホートを使用し、その学習モデルの有用性について再検証している段階である．
よって概ね順調に進展していると評価した．
|
| Strategy for Future Research Activity |
Xpを用いた肺高血圧のクラス分類については概ね推敲できているので、今後はエコー検査や身体所見を組み合わせてより臨床で簡易的に活用できる検査項目を交えて学習モデルを作成し、その有用性を検証していきたいと考えている．エコー検査は肺高血圧のゲートキーパーと称されているが、検査の解釈には専門性が必要である．我々は、機械学習を使用することで肺高血圧の有無やその肺高血圧病因による分類の特徴を検査結果からとらえることができ、診断精度向上に役立つのではないかと考えている．学習モデルはエコー検査と右心カテーテル検査を施行した患者の検査結果であり、学習モデルを作成してその予測率を、専門家による従来の分類による予測率と比較したいと考えている．
|
Report
(2 results)
Research Products
(8 results)
