| 研究課題/領域番号 |
22K11400
|
|---|
| 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59010:リハビリテーション科学関連
|
|---|
| 研究機関 | 埼玉医科大学 |
|---|
研究代表者 |
篠田 裕介 埼玉医科大学, 医学部, 教授 (80456110)
|
|---|
| 研究分担者 |
岡 敬之 東京大学, 医学部附属病院, 特任准教授 (60401064)
小林 寛 東京大学, 医学部附属病院, 講師 (20407951)
|
|---|
| 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: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | 脊椎転移 / 脊髄圧迫 / CT / 麻痺 / ADL / AI |
|---|
| 研究開始時の研究の概要 |
がんが脊椎に転移し増大すると、脊髄を圧迫し、歩行障害、排泄障害を生じQOL(生活の質)が著しく低下する。麻痺の発生直前まで無症状なことが少なくないが、麻痺を生じてから治療するよりも発症前に治療を開始した方が歩行能力を維持できる可能性が高い。そこで、転移検索目的の全身CT検査で、確実に脊髄圧迫病変を検出することが極めて重要になる。本研究では、脊髄圧迫がある患者のCT画像を用いて、骨転移の有無ではなく、麻痺の原因になる脊髄を圧迫する病変をCTで確実に検出できるAI(人工知能）プログラムを開発することである。過去の画像との比較が不要なアルゴリズムで開発するため、実用性に優れる。
|
| 研究実績の概要 |
脊柱管内病変がある50症例の造影CTを教師データとして骨転移専門医が読影し、全ての脊柱管と、脊柱管内に進展した腫瘍に、アプリケーション上で関心領域としてマーキングした。脊柱管を認識させるためのマーキングは、C2からS1までの全スライスの脊柱管を対象に行った。
50例の脊柱管と脊柱管内病変のマーキングを終えた後、AIによる学習を行い、新規10症例を用いて、脊柱管および脊柱管内病変を自動抽出した。
脊柱管の自動抽出は概ね問題なくできていたが、C2より頭側および、S1より尾側の脊柱管も脊柱管として認識されていた。さらに、複数症例で、脊柱管が存在しないスライスにおいて、誤って脊柱管と認識される部位があった。その他、原因不明だが、椎体前方を脊柱管と認識するケースもみられた。また、転移による脊柱管の破壊が強いケースにおいて、脊柱管ではない部分が脊柱管として認識されることがあった。
脊髄圧迫がある大きな転移では全例で脊柱管内腫瘍を検出できていた。しかし、疑陽性のスライスが多数みられる症例も存在した。
そこで同じ50症例を用いて、マーキングの方法を変更して、再度学習させることとした。具体的には、脊柱管内の小病変はマーキングしない、脊柱管内の範囲の腫瘍のみにマーキングしていたが、脊柱管をはみ出している部分も含めてマーキングを行った。現在、マーキングを終えて、再度学習を行っている。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
3: やや遅れている
理由
マーキング、学習ともに予定より時間を要している
学習に関するプログラムの変更を試みていたが、現実的には対応が難しいことが分かった。
|
| 今後の研究の推進方策 |
脊柱管や腫瘍をより正確に認識させるため、教師データとして使用している画像で、連続切片の情報をAIに学習させる方針としたが、技術的に困難であることがわかった。
現在、腫瘍のマーキング方法を工夫することで、腫瘍の認識精度を向上させるように学習中である。造影CTでの認識精度が向上したら、単純CTを教師データとしてAI学習を行う。
|
