| 研究課題/領域番号 |
22K09112
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分55060:救急医学関連
|
|---|
| 研究機関 | 新潟大学 |
|---|
研究代表者 |
西山 慶 新潟大学, 医歯学総合研究科, 教授 (90447970)
|
|---|
| 研究分担者 |
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 東京医科大学, 医学部, 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)
名和 要武 東京大学, 医学部附属病院, 助教 (00456914)
仲本 宗泰 北海道大学, 保健科学研究院, 助教 (10808877)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2024年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2023年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2022年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
|
|---|
| キーワード | 蘇生後脳障害 / CT / 人工知能 / 心肺停止 / 画像 / 集中治療 / 救急 / 心肺蘇生 |
|---|
| 研究開始時の研究の概要 |
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。
|
| 研究実績の概要 |
データセットの抽出方法及び単変量解析の方法論を確立し、その評価を行った。特徴選択において、情報量が多いとして選択された QIB は、原画像よりも、3 次元とも 1.5mm、2.0mm の大きなσ_gを持つ LoG フィルタやウェーブレットローパスフィルタによって変換された画像の QIB が支配的であった。σ_ggの大きいLoGフィルターとウェーブレットローパスフィルターは画像の低周波成分を通過させた。この結果は、QIBによる神経学的予後の予測には、脳CT画像の長距離スケールでのHU値の変化が不可欠であることを示唆した。この研究では2種類のVOIを採用した： WB-VOIとLB-VOIである。単変量解析では、BM検定により、*p< 0.05のQIBsの数はWB-VOIよりもLB-VOIの方が多いことが示された。ROC解析の結果、AUC値はWB-VOIよりもLB-VOIの方が大きい傾向が示された。これらの結果は、脳室やビームハードニングアーチファクトに汚染された領域は分類に有用でないことを示唆した。どのグループでも臨床的変性のない領域や、VOIに画像アーチファクトによる汚染がある領域は、分類問題を解くためのノイズとなりうる。このようなノイズの多い領域をVOIから除外して分類性能を向上させるという戦略は、一般的な放射線医学研究に応用できるはずである。また、VOI内のどの局所解剖学的構造が分類に有効であったかという位置情報は、分類の背後にある臨床的メカニズムを理解する上で極めて重要である。特徴選択において、LLL_Histogram_MaxGradGLは、VOIの種類と選択アルゴリズムのどの組み合わせでも選択された唯一の特徴であった。単変量解析では、各VOIにおけるLLL_Histogram_MaxGradGLが、テストデータセットにおいて最も低いp値と最も高いAUCを示した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
画像からのデータ抽出方法などの方法論の確立がほぼ終了し、単変量解析での有意な予後を予測する特徴量の抽出に成功した。
|
| 今後の研究の推進方策 |
多変量解析の方法論確定し、予後予測に有意な特徴量の精査を進める。蘇生学における機械学習による画像データの方法論自体が探索的であるため、論文投稿などを通じて方法論の一般化を図る。
|
