多発性硬化症とMOG抗体関連疾患を区別するためのディープラーニングモデリング
Rosa Cortese1, Francesco Sforazzini2, Giordano Gentile1,2
1Department of Medicine, Surgery and Neuroscience, University of Siena, Siena, Italy.
Neurology
|September 4, 2025
まとめ
新しいディープラーニングモデルと臨床/MRIアルゴリズムは,多発性硬化症 (MS) とミエリン・オリゴデンドロサイト・グリコタンパク質抗体関連疾患 (MOGAD) を正確に区別します. この2つのアプローチを組み合わせることで 診断の精度が向上し 神経学的疾患を区別するのに役立ちました
科学分野:
- 神経学
- 放射線科
- 人工知能
背景:
- 多発性硬化症 (MS) は一般的な成人神経疾患であり,ミエリン・オリゴデンドロサイト・グリコプロテイン抗体関連疾患 (MOGAD) はまれである.
- 適切な治療には,MOGADとMSを区別することが重要です.
- 過去の機械学習モデルは有望でしたが 更に検証が必要でした
研究 の 目的:
- MSとMOGADを区別するための臨床/MRIアルゴリズムを検証する.
- 同じ診断タスクのためのディープラーニング (DL) モデルを開発し評価する.
- 2つのモデルの組み合わせたパフォーマンスを評価し,確率注意マップ (PAMs) を使用して重要な差別化イメージング特性を特定します.
主な方法:
- 多発性硬化症とMOGADの成人の406人のMRIスキャンを対象とした多中心治験です.
- 検証データセットに対する既存の臨床/MRIアルゴリズムの性能評価
- 独立したデータセットでResNet-10コンボリューションニューラルネットワークベースのDL分類器の開発とテスト.
- 異なる脳の領域を視覚化して定量化するためのPAMの生成
主要な成果:
- 臨床/MRIアルゴリズムは,検証コホートで75%の精度,96%の感度,そして56%の特異性を達成した.
- DLモデルは70%の精度,67%の感度,73%の特異性を実証した.
- 両モデルを組み合わせると 86%の精度,84%の感度,89%の特異性が得られました.
- PAMは異なる病変パターンを強調し,corpus callosum,precentral gyrus,thalamus,および cingulate cortexがMSを区別する一方で,脳幹,海馬,およびパラヒポカンパの回路はMOGADを示した.
結論:
- 臨床/MRIアルゴリズムとDLモデルは,MSとMOGADを区別するのに有効です.
- モデルには補完的な強みがあり,臨床/MRIアルゴリズムはより高い感度,DLモデルはより高い特異性を示しています.
- この2つのアプローチを組み合わせることで 診断の正確性が著しく向上します
- PAMは,MSとMOGADの異なる神経病理学的パターンの貴重な洞察を提供し,差異診断を助けます.
