メニエール病の2D MRIを用いた深層学習ベースの重症度分類

科学分野:

• 医用画像解析
• ヘルスケアにおける深層学習
• 内耳疾患

背景:

• メニエール病（MD）は、診断が困難な消耗性の内耳疾患です。
• 現在のMDの診断方法は、精度と一貫性に欠けています。
• 信頼性の高いMD評価には、高度な深層学習セグメンテーションツールが必要です。

研究 の 目的:

• 多段階重症度評価システム（MSAS）を開発・評価すること。
• MSASは、MDの正確なセグメンテーションと重症度層別化のための深層学習フレームワークです。
• メニエール病の評価に2D磁気共鳴画像法（MRI）を利用します。

主な方法:

• 189人の患者MRIスキャン（開発セット）のピクセルレベルの手動セグメンテーションを使用してMSASを開発し、70人の患者（外部テストセット）で検証しました。
• YOLO-V5やGrad-CAMなどの技術を統合し、シーケンスレベル予測とスライスレベルセグメンテーションを統合しました。
• IoU（Intersection over Union）、ダイス係数、精度、mAP（mean Average Precision）、AUC（Area Under the Curve）を使用してパフォーマンスを評価しました。

主要な成果:

• MSASは高い全体精度（0.971）とAUC（0.995）を達成しました。
• 前庭領域の強力な検出（mAP 0.887内部、0.877外部）とセグメンテーション（ダイス係数0.940内部、0.941外部）を示しました。
• スライスアテンションマップとGrad-CAMは、臨床的意思決定のための解釈可能性を向上させました。

結論:

• 深層学習技術は、メニエール病の診断と重症度分類の改善に大きな可能性を示しています。
• MSASフレームワークは、MD管理において実質的な臨床的有用性を提供します。
• 本研究は、高度な画像解析を通じてメニエール病の病態生理の理解を深めます。