バイオマーカー

科学分野:

• ニューロイメージング
• 人工知能
• 医療診断

背景:

• 深層学習は、認知症研究における自動海馬セグメンテーションに広く使用されている。
• 現在の焦点は、セグメンテーション精度に置かれることが多いが、疾患感受性や信頼性のような臨床的準備性の要因は無視されている。
• これらの要因の評価は、自動化されたツールを臨床実践に移行するために不可欠である。

研究 の 目的:

• 5つの自動海馬セグメンテーションパイプラインのアルツハイマー病および軽度認知障害に対する感受性、およびテスト再テスト信頼性を評価すること。
• これらのパイプラインを広く使用されている標準であるFreeSurferと比較すること。
• 自動セグメンテーションツールの臨床的準備性を評価するためのワークフローを確立すること。

主な方法:

• FreeSurfer 7.4と比較して、5つの深層学習パイプライン（FastSurfer、SynthSeg、GIF、InnerEye、nnUNet）を比較した。
• ADNI（n=2299）およびNACC（n=1852）からのT1強調MRIスキャンを使用して、群レベルの感度を評価した。
• スキャナー内、スキャナー間、およびモーションアーチファクトデータセット（1264スキャン）を使用して信頼性を評価した。

主要な成果:

• すべてのパイプラインはアルツハイマー病感受性に対して大きな効果量を示し、FastSurferとSynthSegが最も高かった。
• パイプラインの感度ランキングは、異なる認知状態やスキャン品質全体で一貫していた。
• FastSurfer、SynthSeg、GIF、nnUNetは、スキャナー内データにおいてFreeSurferよりも実質的に高いテスト再テスト信頼性を示した。

結論:

• 本研究は、自動海馬セグメンテーションツールの臨床的準備性を評価するためのワークフローを提供する。
• FastSurferとSynthSegは、高い感度と信頼性により、臨床応用において強力な可能性を示す。
• 評価戦略は、アーチファクトやスキャン変動に対して回復力のある堅牢なパイプラインの開発に情報を提供する可能性がある。