2022 Fiscal Year Annual Research Report
High-performance diagnostic and prognostic model using artificial intelligence by integration of functional imaging and clinical information
| Project/Area Number |
20K07990
|
|---|
| Research Institution | Kanazawa University |
|---|
Principal Investigator |
中嶋 憲一 金沢大学, 先進予防医学研究科, 特任教授 (00167545)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | 人工知能 / 画像データベース / 心不全 / リスクモデル / 多施設研究 / 脳受容体画像 / 神経変性疾患 |
|---|
| Outline of Annual Research Achievements |
本研究の目的である人工知能あるいは機械学習を利用した画像診断と予後推定に関する３年目の研究実績は以下の通りである。
１）SPECT画像を用いた臓器セグメンテーション：交感神経イメージング用放射性医薬品である123I-MIBGの心臓集積は、重症心不全やパーキンソン病など高度に集積が低下した症例においては3次元的セグメーンテーション（臓器を分離して評価すること）が難しかった。この検討ではディープラーニングを用いて123I-MIBGのSPECT像を入力し教師あり学習を行なうことにより良好なセグメンテーションと定量が可能となった。その成果はEJNMMIRes誌に報告した。
２）画像および臨床データベースの作成：心不全のデータベースを構築するため、国内外の複数の施設から臨床データベースを収集し、全体として約1000症例を含めることができた。
３）心不全データを用いた機械学習：心不全データベースから、心不全により生ずる可能性がある心不全死と不整脈死（突然死を含む）を分離して予測するモデルを構築した。このリスクモデルは心臓死の予測因子となる13因子を用いて死亡原因を予測するもので、その成果はJ Nucl Cardiol（2022）に発表した。さらに心不全の原因を予測するソフトウェアのプロトタイプを作成した。
４）脳ドパミントランスポータ画像の機械学習：脳のドパミントランスポータを描画する123I-イオフルパンの集積を解析する方法は、関心領域法（線条体とバック グラウンドから計算する方法）が主流であったが、機械学習を用いて線条体への集積の程度（高低）、対称性、尾状核と被殻の集積パターンの特徴量を抽出した。さらに臨床情報を加えたモデルが従来の関心領域法に勝る診断率を有することが明らかとなった。この成果はAnn Nucl Med（2022）に報告した。
|
