2019 Fiscal Year Research-status Report
FDG-PETと機械学習を用いて非典型例や亜種に着目した認知症自動鑑別診断
| Project/Area Number |
18K07699
|
|---|
| Research Institution | Tokyo Metropolitan Geriatric Hospital and Institute of Gerontology |
|---|
Principal Investigator |
坂田 宗之 地方独立行政法人東京都健康長寿医療センター(東京都健康長寿医療センター研究所), 東京都健康長寿医療センター研究所, 研究員 (00403329)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | PET / FDG / 認知症 / 機械学習 |
|---|
| Outline of Annual Research Achievements |
本研究では、FDG-PETを中心としたPETデータとMRIを用いた認知症自動鑑別診断支援の実現を目的とし、被験者の画像を入力として機械学習等を用いて正常または認知症の原因疾患（アルツハイマー病、前頭側頭葉変性症、びまん性Lewy小体病）の鑑別を行い、画像から得られる客観的指標として疾患特異度と進行度の出力で認知症の鑑別診断支援が可能となる仕組みの実現を目指している。これまでの研究で、サポートベクターマシンを用いた多クラス分類によって鑑別を行う仕組みを実現している。
令和元年度は、主に機械学習で必要な特徴量抽出法について検討を行った。脳PETにおける特徴量抽出は、標準脳上において解剖学的の関心領域（VOI）に分割されたAutomated Anatomical Labeling （AAL）が主流である。本研究では、AALのVOIを分割することで1例あたりの特徴量を増やし、1VOIあたりの体積を小さくすることでPET画像のより詳細な領域での変化を学習・検知できる可能性に着目した。1VOIあたりの体積がより均等になる様にAALのVOIを分割し、自施設で過去に計測したデータをサポートベクターマシンを用いて学習および4クラス分類を行う基礎的検討の結果、VOI数を3倍にした場合に健常例、アルツハイマー型認知症、前頭側頭葉変性症型認知症の分類精度が最も向上幅が大きかった。一方で、条件により分類性能が低下する場合もあり、さらなる検討が必要である。
本研究成果の一部は令和2年度に国内学会での発表を予定している。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
機械学習を行う為には一般的に学習及びテストに使用する臨床データが多数例必要であり、本研究でも症例の追加が必要であるが、この研究独自に多数例を追加で収集するのは困難である。また、これまでの検討に使用してきたデータを測定してきたPET装置が更新され、以後計測されるデータは最新のPET/CT機によるデータであり、現状はこれらを併用することはできず、工夫が必要である。
|
| Strategy for Future Research Activity |
非典型例や亜種に着目したアルゴリズムの改良や計測によるデータの追加についても引き続き検討を進めると共に、機種間差補正法の検討などを行い、複数施設や複数機種の臨床データをまとめて扱うことができるような仕組みを検討および検証していく予定である。
|
| Causes of Carryover |
次年度交付額とあわせて、機械学習に用いるクラスタ型コンピュータやGPUユニット、データ等を保存するファイルサーバ等を導入する計画である。
|
