Robust Multimodal Deep Learning for Lymphoma Subtype Classification Using ¹⁸F-FDG Maximum Intensity Projection Images...

科学分野:

• 腫瘍学
• 医用画像処理
• 人工知能

背景:

• 18F-FDG PET画像を用いたリンパ腫サブタイプの分類は、画像の一貫性の欠如とばらつきのために困難です。
• 以前の方法では、プロトコル、スキャナーの種類、施設間のデータに標準化が欠けていました。
• これらの限界に対処するために、マルチモーダル深層学習フレームワークが提案されています。

研究 の 目的:

• リンパ腫サブタイプの階層的分類のための深層学習フレームワークを開発および検証すること。
• PET画像の特徴と構造化された臨床情報を統合すること。
• リンパ腫分類における施設間変動とスキャナーの不一致を克服すること。

主な方法:

• 18F-FDG PET画像と臨床変数を含むマルチセンターデータを収集しました。
• 特徴分布を調和させるためのスキャナー条件付き正規化（SCN）モジュールを実装しました。
• 前方および側方MIP画像と臨床データを統合したマルチモーダル深層学習モデルを利用しました。

主要な成果:

• ホジキンリンパ腫 vs. 非ホジキンリンパ腫分類で、内部検証でAUC 0.89、外部検証でAUC 0.84を達成しました。
• DLBCL vs. FL分類で、内部検証でAUC 0.84、外部検証でAUC 0.76を達成しました。
• 内部および外部検証コホート全体で堅牢なパフォーマンスを示しました。

結論:

• 18F-FDG PETおよび臨床データを用いた深層学習は、リンパ腫サブタイプ分類の可能性を示しています。
• 提案されたLymphoMAPフレームワークは、早期の臨床意思決定を支援するツールへの一歩を提供します。
• 自動化されたパイプラインは、個別化されたリンパ腫管理における従来の診断ワークフローをサポートしますが、置き換えるものではありません。
• 腫瘍学;医用画像処理;人工知能