深層学習ベースのMRIモデルによるp53変異陽性肝細胞がんの予測

科学分野:

• 放射線科および医用画像処理
• 医療における人工知能
• 腫瘍学

背景:

• p53変異陽性肝細胞がん（HCC）は攻撃的であり、血管内皮増殖因子（VEGF）および微小血管密度の増加と関連しています。
• HCCにおけるp53変異状態の予測は、標的療法および患者転帰の改善にとって重要です。

研究 の 目的:

• MRIデータを利用した深層学習モデルを開発し、p53変異陽性HCCの非侵襲的予測を評価すること。
• p53変異状態の予測における単一MRIシーケンスと複合シーケンスのパフォーマンスを比較すること。

主な方法:

• 造影MRI検査を受けた病理学的に確認された312例のHCC患者の後ろ向き解析。
• 動脈相（AP）、門脈相（VP）、T2強調画像（T2WI）、および肝胆道期（HBP）シーケンスを使用したEfficientNetV2ベースの深層学習モデルの開発。
• モデルパフォーマンスは、AUC、精度、感度、特異度、適合率、F1スコアを使用して評価され、AUC比較にはDelong検定が使用されました。

主要な成果:

• 動脈相（AP）、門脈相（VP）、T2強調画像（T2WI）を組み合わせた複合モデルは、単一シーケンスモデルを大幅に上回り、テストデータセットで0.914のAUCを達成しました。
• 肝胆道期（HBP）モデルは、単一シーケンスモデルの中で最高のパフォーマンスを示しました（AUC=0.715）。
• HBPを複合モデルに組み込んでも、予測パフォーマンスは有意に向上しませんでした（P>0.05）。

結論:

• T2WI、AP、VP MRIシーケンスを統合した深層学習モデルは、p53変異陽性HCCの予測に非常に効果的です。
• このAI駆動型アプローチは、攻撃的なHCC変異体を特定するための有望な非侵襲的ツールを提供します。
• 予測精度をさらに向上させる可能性のある追加シーケンスまたは特徴の検討が、今後の研究で必要となるでしょう。