パーキンソニアン症候群の深層学習ベース脳幹セグメンテーションおよび多クラス分類

科学分野:

• 神経画像法
• 人工知能
• 医療診断

背景:

• 構造的MRIは、パーキンソニアン症候群における萎縮の特定に重要である。
• 脳幹セグメンテーションのための自動深層学習モデルは、さらなる臨床的検証が必要である。

研究 の 目的:

• 脳幹サブ構造セグメンテーションのための2段階深層学習アルゴリズムの開発と検証。
• セグメンテーションから得られた体積測定値を用いたパーキンソニアン症候群の分類。

主な方法:

• セグメンテーションと分類のための内部および外部データセットを利用した後向き研究。
• セグメンテーションのための深層学習、領域脳体積を用いた分類のためのSVM、ランダムフォレスト、XGBoost。
• 5分割交差検証を用いて検証し、外部データセットでテストした。
• 放射線科医のパフォーマンスをモデルの有無で評価した。

主要な成果:

• 脳幹セグメンテーションにおける高いダイス係数（DSC）スコア（内部0.969、外部0.996）。
• サポートベクターマシン（SVM）が最も高い分類性能を達成し、ROC曲線下面積（AUROC）は0.937（内部）および0.914（外部）であった。
• 放射線科医がモデルを利用することで診断性能が向上した。

結論:

• 開発された2段階アルゴリズムは、脳幹の自動セグメンテーションのための深層学習と機械学習を効果的に組み合わせている。
• このアプローチにより、3D T1強調脳MRIからパーキンソニアン症候群を確実に識別できる。
• 検証されたモデルは、神経変性疾患の臨床診断を強化する可能性を示している。