Creating Tailored Post-Resuscitation Care Based on Brain Injury Severity with AI Imaging

Research Project

Project/Area Number	22K09112
Research Category	Grant-in-Aid for Scientific Research (C)
Allocation Type	Multi-year Fund
Section	一般
Review Section	Basic Section 55060:Emergency medicine-related
Research Institution	Niigata University
Principal Investigator	西山慶新潟大学, 医歯学総合研究科, 教授 (90447970)
Co-Investigator(Kenkyū-buntansha)	本多忠幸新潟大学, 医歯学系, 准教授 (70231579) 大橋さとみ新潟大学, 医歯学総合病院, 准教授 (00313510) 本田博之新潟大学, 医歯学総合病院, 講師 (20535174) 八幡えり佳新潟大学, 医歯学総合病院, 特任助教 (30622906) 石川博補新潟大学, 医歯学総合病院, 助教 (80769399) 上村夏生新潟大学, 医歯学系, 助教 (00792285) 晝間優隆新潟大学, 医歯学総合病院, 助教 (50915048) 松井亨新潟大学, 医歯学総合病院, 助教 (60753283)
Project Period (FY)	2022-04-01 – 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: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000) Fiscal Year 2023: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000) Fiscal Year 2022: ¥1,560,000 (Direct Cost: ¥1,200,000、Indirect Cost: ¥360,000)
Keywords	心肺停止 / 画像 / 人工知能 / 集中治療 / 救急 / 心肺蘇生
Outline of Research at the Start	すでにパイロット研究における患者エントリーは終了しており、データ解析を開始している。またデータ解析を行う東京大学放射線科は、ラディオミクスをはじめとしたがん診療におけるCTデータの人工知能による解析の研究実績が豊富にあり、DAICOMデータに基づいた解析が十分に可能な環境が整っている。予備的な解析により、多機種CTデータの抽出・再構成および特徴量抽出の方法論の開発はほぼ終了しており、今後は多施設からのデータを用いてこれらの解析の方法論をvalidationした後、アウトカム(神経学的予後)と紐づく特徴量の抽出を行っていく予定である。
Outline of Annual Research Achievements	本研究は関連するガイドラインおよび規則に従い、東京大学医学部附属病院の施設審査委員会（文献番号2018082NI）により承認された。2017年から2019年の間に防衛医科大学校、京都医療センター、京都第一赤十字病院で自己心拍再開後に頭部CTを撮影した93名の院外心肺停止患者の臨床データと頭部CTデータをレトロスペクティブに収集した。外傷または脳損傷を呈する患者は調査対象から除外された。CT画像に金属や骨のアーチファクトがひどく広がっていたため、7人の患者のデータを調査から除外した。そのため、本研究では86名のCA患者のデータを使用した。これらのCA患者の90日後の神経学的予後をGlasgow-Pittsburgh cerebral performanceに基づき評価し、31名、1名、2名、13名、39名がそれぞれCPC1、2、3、4、5を示した。CPCが2までが神経学的予後良好と定義し、32人の患者が予後良好で、残りの54人を予後不良と定義した。さらに下記の概要で解析を開始した。VOIの設定には2つの戦略を採用した。まず、脳CT画像にVOI（Volume of Interest）を設定し、QIBs（特徴量）を抽出した。続いて、前処理を行った後、1170個のQIBを算出し、原画と変換後のCT画像のVOIで確認した。QIBは、1次ヒストグラムとテクスチャ関数で構成されている。さらに、訓練セットを用いた特徴選択アルゴリズムにより、分類のための代表的なQIBを選択した。最後に、単変量解析では、テストセットにおける各代表的なQIBの分類性能を評価した。多変量解析では、トレーニングセットを用いて機械学習モデルを構築し、その性能をテストセットで評価した。
Current Status of Research Progress	Current Status of Research Progress 2: Research has progressed on the whole more than it was originally planned. Reason 臨床データの収集が終了し、解析方法もほぼ確立されている。
Strategy for Future Research Activity	データをトレーニングセットとテストセットに分け、トレーニングセットを用いて、分類のための代表的な定量的画像バイオマーカーを選択する。単変量解析では、Brunner-Munzel検定のp値とテストセットの受信者操作特性曲線下面積（AUC）によって分類を評価し、多変量解析では、トレーニングのために機械学習モデルを構築し、テストセットでのAUCで評価する。