グリオーマにおけるIDHステータス予測のための機械学習ベースのマルチモーダルラジオミクス最適化：SHAPベースの多施設共同研究

科学分野:

• 神経画像診断
• 腫瘍学における機械学習
• ラジオミクス

背景:

• グリオーマ管理においてイソクエン酸デヒドロゲナーゼ（IDH）ステータスを予測することは極めて重要です。
• 従来のMRI（cMRI）には限界があり、ラジオミクスや機械学習（ML）は、単一施設データや解釈可能性の課題に直面しています。
• 解釈可能で多施設共同のMLモデルを、多様なMRIシーケンスを統合して開発する必要があります。

研究 の 目的:

• グリオーマにおけるIDHステータスの予測のための、解釈可能で多施設共同のMLモデルを開発・検証すること。
• 予測精度向上のために、従来のMRI（cMRI）と機能シーケンス（DWIおよびPWI）を統合すること。
• 神経腫瘍学におけるMLモデルの臨床的応用を改善すること。

主な方法:

• 4つの施設から180人の患者（トレーニング150人、外部テスト30人）を対象とした後向き研究。
• cMRI、DWI、DSC-PWI（CBVマップ）からラジオミクス特徴量を抽出。
• SHapley Additive exPlanation（SHAP）を用いて解釈可能性を確保し、MLアルゴリズムでマルチパラメータMRI融合ラジオミクスモデルを構築。

主要な成果:

• 3D改良セグメンテーションを用いたフルモダリティモデル（cMRI + DWI + PWI）は、AUC 0.840（トレーニング）および0.810（外部テスト）を達成しました。
• 機能シーケンスは、cMRI単独と比較して予測精度を有意に向上させました。
• SHAP分析により、主要な予測特徴量が特定され、個別化されたモデル説明が提供されました。

結論:

• 開発されたML-SHAPモデルは、IDHステータスを確実に予測し、多施設共同での一般化可能性を示しました。
• この解釈可能なツールは、グリオーマ管理のために従来のMRIと機能MRIを統合します。
• このモデルは、グリオーマにおける術前分子診断をサポートする可能性を示しています。