BOLD-CVRにおける機械学習を用いた安静時時間シフトによる自動インライン正規化手法

科学分野:

• 神経画像診断
• 血管性神経学
• 医療における機械学習

背景:

• 脳血管反応性（CVR）評価は、血行動態障害の推定に不可欠である。
• 従来のCVR法は、交絡因子のため両側疾患において課題に直面している。
• 以前の研究では、画像データから健常ボクセルシグネチャを特定した。

研究 の 目的:

• 安静時BOLD（rs-BOLD）信号を用いた健常ボクセルCVRの予測のための自動化されたインラインアプローチを導入する。
• 健常ボクセルCVRを真値の10%以内の誤差で正確に予測することを仮説とする。
• 両側脳血管疾患における現在のCVR評価の限界を克服する。

主な方法:

• 22人の片側狭窄閉塞性疾患（SOD）患者および20人の健常対照群から得られたrs-BOLDベースライン、解剖学的、および血管パラメータで訓練された機械学習モデルを開発した。
• 32の異なる時間遅延と32の最大相関値をボクセルごとに計算し、対になった動脈領域に制約した。
• 真値参照CVR値に対して予測性能を評価した。

主要な成果:

• エンサンブルモデルは、影響を受けていないボクセルを予測する上でAUC 0.81を達成し、中央参照CVRの中央絶対パーセント誤差は7.28%であった。
• 単純な全脳ボクセル選択（P=0.005）および従来の小脳正規化（中央誤差26.4%）と比較して有意な改善を示した。
• 両側疾患の場合、モデルは候補ボクセルを減少させたが、異常領域の区別を改善した。

結論:

• BOLD-CVR MRIを用いた影響を受けていない参照ボクセルCVRシグネチャの学習の実現可能性が実証された。
• この自動化アプローチは、特に両側疾患において、現在の限界を超えて脳CVR評価能力を拡張する。
• この方法は、複雑な脳血管状態におけるCVRのより堅牢な推定を提供する。