Research Project
Grant-in-Aid for Young Scientists (B)
目的：機械学習は、人間のような学習能力を持つ機械、いわゆる人工知能を目指して開発された技術である。近年は疾患群と健常群の分類を機械に学習させる機械学習プログラムを用いて精神・神経疾患などを診断する試みもなされるようになった。今回、機械学習プログラムを用いて、FDG PET画像により健常者の将来的な認知機能の推移をも予測しうるか検討した。方法：機械学習にはMATLAB上で動作する神経画像に特化したプログラムであるPRoNToを用いた。対象としてFDG PETを施行したボランティア1328名から認知機能をフォローし得た146名を抽出した。146名をFDG PET施行後のフォロー期間中にMMSEにて低下した群(低下群)と低下しなかった群(非低下群)に分類した。対象者のFDG PET画像はSPM8を用いて解剖学的標準化および全脳平均への正規化を行った後、PRoNToに入力し、低下群と非低下群に分類する精度を算出した。カーネルはSupport vector machineを用い、クロスバリデーションはleave-one-subject-out法により行った。また各群のPET画像を群間比較し、FDG集積の違いも算出した。結果：対象者146名の年齢は平均66.2歳で、FDG PET施行後のフォロー期間は平均44ヶ月であった。MMSE低下群は43名、非低下群は103名であった。クロスバリデーションの結果、各群を分類する精度は67.1%であった。群間比較では低下群は非低下群と比較し、両側前頭葉内側部にてFDG集積が低下していた。群間比較にてFDG集積が低下していた部分に焦点を定めクロスバリデーションを行った場合、診断精度は74.0%まで上昇した。結論：PRoNToを用いることで、FDG PETによる将来の認知機能予測が可能となることが示唆された。
All 2014
All Presentation (1 results)
