深層マルチモーダル融合フレームワーク：SERS、臨床データ、メタボロミクスを統合した非侵襲的MASH診断

科学分野:

• 生物医学工学
• 医療における人工知能
• 肝臓学

背景:

• メタボリック機能障害関連脂肪性肝疾患（MASLD）とその進行形であるメタボリック機能障害関連脂肪性肝炎（MASH）は、診断上の課題を抱えています。
• 表面増強ラマン分光法（SERS）は分子感度の可能性を示していますが、MASHに対する単独の診断精度は不足しています。

研究 の 目的:

• 非侵襲的MASH診断のための新しいマルチモーダル深層学習フレームワークであるMedFusionNet（MFN）を開発すること。
• 診断パフォーマンスを向上させるために、SERSスペクトル、臨床生化学（CB）パラメータ、および胆汁酸（BA）メタボロミクスを統合すること。

主な方法:

• MFNは、モダリティ間の相互作用を捉えるために、Product-of-Experts（PoE）ベースの変分融合アーキテクチャを利用しています。
• マルチロス最適化戦略は、多様なデータ型から共有された潜在表現を共同で学習します。
• SHapley Additive exPlanations（SHAP）と5分割交差検証を解釈性と検証に用いました。

主要な成果:

• MFNは、240名のMASLD患者コホートにおいて、従来のベースラインマルチモーダルモデルと比較して優れた予測精度と堅牢性を示しました。
• このフレームワークは、SERS、CB、BAデータを統合し、MASH診断能力を向上させることに成功しました。
• SHAP分析は、異なるデータモダリティにわたるモデルの意思決定プロセスの詳細な解釈を提供しました。

結論:

• MFNは、早期MASH検出のためのスケーラブルで臨床的に実行可能なフレームワークを提示します。
• マルチモーダル深層学習アプローチは、複雑な肝疾患の診断に大きな可能性を秘めています。
• この研究は、高度な非侵襲的診断のための多様なデータソースの統合の有効性を強調しています。