| 研究課題/領域番号 |
20K07990
|
|---|
| 研究機関 | 金沢大学 |
|---|
研究代表者 |
中嶋 憲一 金沢大学, 先進予防医学研究科, 特任教授 (00167545)
|
|---|
| 研究期間 (年度) |
2020-04-01 – 2023-03-31
|
| キーワード | 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 |
|---|
| 研究実績の概要 |
本研究の目的である人工知能（AI）を利用した画像診断と予後の推定方法として、以下の各項目を初年度に実施した。
１）臓器セグメンテーション：核医学画像は機能画像であり集積が低い時は関心領域の設定が困難である。123I-MIBGの心臓集積も、重症心不全やパーキンソン病など集積低値の症例では３次元的セグメーンテーションが難しく、新たにディープラーニングを用いる方法を考案した。MIBGのSPECTの体軸断層像を入力し教師ありの学習を行なった結果、自動的に各臓器の分離が可能となり、心集積全体を自動で計算できるようになった（米国核医学会2020で報告）。
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、複数施設から臨床データベース収集を開始した。また、欧州の心不全データベースについても利用を検討している。
３）心不全デーを用いた機械学習：心不全の構築データから、これまでの収集データを元に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。この研究では、統計的に有意の心臓死予測因子となる13因子を用い、その中には123I-MIBGの心縦隔比と洗い出し率の変数を含めた。その結果、心不全死についてはROC解析で曲線下面積0.92、不整脈死については0.73の精度で両者を分離できるようになった。その成果は米国心臓核医学会誌（J Nucl Cardiol）に公開した。
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の集積を解析する従来方法は、集積領域に関心領域を方法が主流であるが、診断が境界上の場合も多く、機械学習を検討中である。線条体への集積が、正常か低値か、対称か非対称か、尾状核と被殻の集積などの特徴量を利用して機械学習を実施したところ、専門医が判定する分類と同程度の診断が可能となる結果が得られた。
|
| 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
初年度の成果をさらに発展させるために、今後は以下のように研究を推進する。
１）臓器セグメンテーション：心臓のセグメンテーションは形態画像なしにディープラーニングにより可能となったが、集積が低い症例や、欠損の大きい症例では問題点も認められた。今後の方針としては、心筋全体の集積を計算すること、心不全の重症度の診断の指標を計算すること、さらにSPECT-CTが利用できれば心筋の絶対定量が可能となるので適切な定量指標も再考する。さらに、形態＋機能画像を利用した臓器セグメンテーションの可能性も検討する。
２）画像および臨床データベースの作成：心不全データベースはさらに症例数を増加させる。特に突然死を含めた症例数を確保し、不整脈に対する心臓デバイスの適応のある症例のデータを解析するように準備を進める。また、脳領域でもレヴィー小体病の患者の解析に応用できるようにデータベースを構築する予定である。さらに、新たに台湾でもMIBG検査が可能となったので、共同研究として指標の統一を行うファントム実験を開始する。
３）心不全の死亡原因に関する機械学習：これまでの成果では、MIBGを含む13変数での機械学習により、死亡原因の推測が可能であるという初期検討結果が得られたので、この変数のうちの特に重要な因子を検討して予測モデルの改良と精度の改善を図る。特に心不全死の予測精度は高いが、不整脈死の予測を難しくしている要素を再検討する予定である。この際には、国内の多施設のデータベースだけでなく、国外のデータベースの利用も視野にいれて検討する。
４）脳ドパミントランスポータ画像の機械学習：初期検討では機械学習で画像の大きな分類まで可能となった。今後の方向性としては、さらに臨床的確定診断を加えて画像の異常パターンを検出するだけでなく、診断分類を行う自動診断方法の開発を目指して、方法的検討に加えて臨床的検討を実施する。
|
| 今後の研究の推進方策 |
１）臓器セグメンテーション：心臓のセグメンテーションは３次元的なSPECT画像でも、携帯情報なしにディープラーニングにより可能となったが、集積が低い症例や欠損の大きい症例では問題点も認められた。今後の方針としては、心筋全体の集積を計算すること、心不全の重症度の診断の指標を計算すること、さらにSPECT-CTが利用できれば心筋の絶対定量が可能となるので適切な定量指標も考案する。さらに形態画像を利用することによって、形態＋機能画像を利用した臓器セグメンテーションの可能性も検討する予定である。
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はさらに症例数を増加させる。特に突然死を含めた症例数を確保し、不整脈に対する心臓デバイスの適応のある患者のデータを解析するように準備を進める。また、脳領域でもレヴィー小体病の患者の解析に応用できるように、データベースを構築する予定である。さらに、新たに台湾でも123I-MIBGの検査が可能となったので共同研究として指標の統一を行うファントム実験を開始する。
３）心不全の死亡原因に関する機械学習：これまでの成果では、13変数を用いた機械学習により死亡原因の推測が可能であるという初期検討結果が得られたので、この変数のうちの特に重要な因子を検討して予測モデルの改良と精度の改善を図る。特に心不全死の予測精度は高いが、不整脈死の予測を難しくしている要素を再検討する予定である。この際には、国内の多施設のデータベースだけでなく、国外のデータベースの利用も視野にいれて検討する。
４）脳ドパミントランスポータ画像の機械学習：初期検討では機械学習で画像の大きな分類まで可能となった。今後の方向性としては、さらに臨床診断をもとにして、画像の異常パターンだけでなく、診断上の分類を行う自動診断方法の開発を目指して、方法的検討に加えて臨床的検討を実施する。
|
| 次年度使用額が生じた理由 |
年度内に予定していた旅費に大幅な変更が生じたこと、および出版費用を次年度に執行する必要が生じたことから、次年度の使用予定とした。
|
