超選択的副腎静脈支脈採血の普及・成功率上昇のための深層学習を用いた新規AI開発

• Project/Area Number: 21K15789
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 52040:Radiological sciences-related
• Research Institution: Keio University
• Principal Investigator: 田村 全 慶應義塾大学, 医学部(信濃町), 助教 (50594602)
• Project Period (FY): 2021-04-01 – 2025-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥4,550,000 (Direct Cost: ¥3,500,000、Indirect Cost: ¥1,050,000); Fiscal Year 2023: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000); Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000); Fiscal Year 2021: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
• Keywords: 副腎静脈サンプリング / 人工知能 / 深層学習 / 原発性アルドステロン症 / 副腎静脈採血

Outline of Research at the Start

原発性アルドステロン症は代表的な二次性高血圧症であり、副腎静脈サンプリングはその治療方針決定において不可欠な検査である。昨今では超選択的な区域別副腎静脈支脈採血によってアルドステロン産生腺腫の局在を明らかにすることにより、副腎部分切除術による機能温存が可能な場合がある。しかし、副腎静脈サンプリングは難易度が高く、また区域別副腎静脈支脈採血は一般的に普及しているとは言い難い。本研究では術前造影CTから右副腎静脈同定、カテーテル選定を行う人工知能モデルを開発することにより、超選択的副腎静脈支脈採血の普及・成功率上昇に寄与し、多数の患者に対してより適切な医療を選択することを広く可能とする。

Outline of Annual Research Achievements

前年度までに抽出した症例に対して右副腎、右副腎静脈および、右副腎周囲の肝臓、脂肪、下大静脈のラベリングデータを抽出した。右副腎および右副腎静脈の抽出には3D-Unetを用いて(96, 96, 96)pixelに画像データおよび教師ラベルデータを成型してモデルの作成を行った。精度の評価にはDICE scoreを用いた。右副腎の抽出は、ランダムに抽出したvalidation　データセットに対しておよそ平均0.8前後のDICE scoreとなっている。一方、右副腎静脈の抽出は、validationデータセットに対して平均0.25前後のDICE scoreとなっている。右副腎静脈サンプリングに対するカテーテルを推奨するモデルは、下大静脈と右副腎静脈のラベリングデータを用いてまず右副腎静脈カテーテルかそれ以外かを判定する２値分類の学習モデルの作成を行っている。この精度はおおよそ0.75程度となっている。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

前年度までの症例集積の遅れ、またデータ処理量が多いことにより全体的に遅れている。

Strategy for Future Research Activity

学習データセットの増加およびaugmentationの増加・エポック回数の増加により、右副腎および副腎静脈描出精度の向上を図る。右副腎静脈カテーテルの選択についても、肝臓のラベリングデータなど他の入力要素を含めることによって精度を向上を図る。これらの作業には、多大なデータ入力、モデル作成を要するため、新たにワークステーションを購入し、データ入力、モデル作成の一部を別の放射線診断医に委託することにより、作業を同時進行させ、研究進行を加速する予定である。