多重タスク深層学習を用いたクローン病の粘膜治癒および活動性スコア予測におけるトポロジカルラジオミクス

科学分野:

• 医用画像
• 人工知能
• 消化器病学

背景:

• 内視鏡的評価は、クローン病（CD）の活動性と粘膜治癒（MH）の評価のゴールドスタンダードです。
• しかし、内視鏡検査は侵襲的であり、費用と時間がかかります。
• CD活動性とMHを評価するための非侵襲的で定量的な方法に対する重要なニーズがあります。

研究 の 目的:

• トポロジカルラジオミクスベースのマルチタスク深層学習モデルを開発すること。
• このモデルは、CD患者におけるMH状態と内視鏡的活動性スコアの同時予測を目的としています。

主な方法:

• 81人のCD患者が組み込まれ、データはトレーニングセット（n=60）と検証セット（n=21）に分割されました。
• マルチフェーズCTエンテログラフィーからトポロジカルラジオミクス特徴量が抽出されました。
• MH分類とSES-CD回帰のためにマルチタスク深層学習モデルがトレーニングされ、特徴選択とSHAP解釈可能性が組み込まれました。

主要な成果:

• 動脈期および門脈期にわたる3つの主要なトポロジ的特徴が特定されました。
• モデルはMH予測において高いパフォーマンスを達成しました（AUC 0.938 トレーニング、0.875 検証）。
• SES-CD予測において、マルチタスクモデルは単一フェーズモデルよりも優れた指標（MSE/MAEの低下、R²/Cインデックスの上昇）で上回りました。

結論:

• 開発されたフレームワークは、CDにおけるMHと内視鏡的活動性の正確で非侵襲的な評価を提供します。
• この臨床的に解釈可能なアプローチは、CD管理において強力なトランスレーショナルポテンシャルを示しています。
• 堅牢性を確認するために、より大規模なコホートでのさらなる検証が推奨されます。