MRIデータ付きの深層回転神経ネットワークを用いた慢性肝疾患の検出: ディープラーニングのアプローチ
Elif Zoroğlu Altınkaya1, Emre Altınkaya2, Emre Emekli1,3
1Department of Radiology, Faculty of Medicine, Eskişehir Osmangazi University, Eskişehir, Turkey.
Polish journal of radiology
|February 18, 2026
まとめ
新しく開発されたディープラーニングモデルは,分断のないMRIスキャンを使用して,慢性肝疾患 (CLD) を正確に検出します. この高度なアプローチは,患者の間に間に合った介入のための診断の精度を大幅に改善します.
科学分野:
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- 肝臓病理学 肝臓病理学
背景:
- 慢性肝疾患 (CLD) は,世界的な健康上の大きな課題となっています.
- CLDの早期かつ正確な検出は,効果的な治療と患者のアウトカムに不可欠です.
- 磁気共鳴画像 (MRI) は肝臓の評価の重要な方法ですが,診断の精度は改善することができます.
研究 の 目的:
- ディープラーニングベースのコンボリューションニューラルネットワーク (DeepCNN) を開発・評価し,MRIを用いた自動CLD検出を行う.
- 伝統的な機械学習アルゴリズムに対するDeepCNNモデルの診断性能を比較する.
- CLD分類のための非セグメンテッドMRI画像の有用性を評価する.
主な方法:
- 2018年から2024年までの間に取得された184人の患者 (1,112人のMRI画像 (460人の正常患者,652人のCLD患者) を利用した遡及研究です.
- 画像は,サイズ変更,拡張,および正常化を含む事前処理を受けた.
- DeepCNNモデルが訓練され,そのパフォーマンスは,ロジスティック回帰,k-近隣,サポートベクトルマシン,および精度,精度,リコール,F1-スコアを使用してランダムフォレストと比較されました.
主要な成果:
- DeepCNNモデルは93%の精度と0.939のF1スコアを達成し,CLD分類では97%の精度と98%のリコールを達成した.
- 従来の機械学習アルゴリズムは72.31%から83.16%までの低精度を示した.
- コロナ画像を除外すると,DeepCNNの精度が86%に低下し,多平面画像の重要性を強調した.
結論:
- 開発されたDeepCNNモデルは,従来の機械学習方法と比較して,MRIによるCLD検出の優れた診断精度を示しています.
- この非セグメンテッドMRIアプローチは,早期の介入をサポートし,CLD診断の実践的な進歩を提供します.
- 将来の研究は,注意力メカニズムと,さらなるパフォーマンスの向上のために高度なディープラーニングアーキテクチャを探索することができます.