マルチモーダルMRIにおける前立腺がん分類のための適応アンサンブル学習：不要な生検の削減
Samet Aymaz1, Nur Kara Oğuz2, Şeyma Aymaz3
1Department of Computer Engineering, Trabzon University, Trabzon, Türkiye. sametaymaz@trabzon.edu.tr.
BMC medical imaging
|January 12, 2026
まとめ
本研究では、マルチモーダルMRIを用いた前立腺がん検出のための適応重み付けアンサンブルモデルを開発しました。このモデルは、PI-RADS 3-5病変を特定する高精度を維持しながら、不要な生検を大幅に削減します。
科学分野:
- 医用画像
- 人工知能
- 腫瘍学
背景:
- 前立腺がんの診断は、マルチパラメータMRI（mpMRI）と生検に依存しています。
- PI-RADS 3-5病変の正確な分類は、不要な侵襲的手順を回避するために重要です。
- 現在の診断方法は、患者の転帰を改善するために改善される可能性があります。
研究 の 目的:
- PI-RADS 3-5前立腺病変のマルチモーダルMRI分類のための適応重み付けアンサンブル学習モデルを開発および評価すること。
- 前立腺がん検出精度を向上させ、侵襲的生検を削減すること。
- 診断パフォーマンスを向上させるために、複数の畳み込みニューラルネットワーク（CNN）特徴抽出器を統合すること。
主な方法:
- PI-RADS 3-5病変を有する196人の患者を対象に後向き研究を実施しました。
- 5つのCNN特徴抽出器（MobileNet_v2、VGG16、DenseNet121、EfficientNet_b0、ResNet50）を適応重み付けアンサンブルモデル内で使用しました。
- このモデルは、DCE、DWI、およびT2強調MRIシーケンスの動的重み付けを統合し、データ拡張とADASYNバランスを使用した5分割交差検証で評価されました。
主要な成果:
- VGG16は最高の診断精度（99.0%）とAUC（99.9%）を達成しました。
- アンサンブルモデルは、放射線科医の推奨と比較して優れた特異度（98.9%）を示し、高い感度（99.1%）を維持しました。
- 動的重み付けにより、DCE（41.6%）、T2強調画像（33.9%）、DWI（24.6%）シーケンスが最も重要であることが強調されました。
結論:
- 適応重み付けアンサンブルモデルは、前立腺がん分類において優れた診断パフォーマンスを示しました。
- このモデルは、がん検出のための高い感度を維持しながら、不要な前立腺生検を削減する大きな可能性を示しています。
- このアプローチは、前立腺がん診断の効率を改善し、臨床的意思決定をサポートすることができます。
