MRIと臨床データの統合による神経膠腫の生存予測の転移学習

要旨 目的：神経膠腫患者における全生存期間（OS）の正確な予測は、個別化治療の進展と臨床試験デザインの改善にとって重要である。従来の放射化学的方法は、手動で設計された特徴量に依存しており、複雑で高次元の画像パターンを捉える能力が制限される。本研究では、深層学習アーキテクチャを用いて MRI データを処理し、自動化された腫瘍セグメンテーションと特徴抽出を実施し、エンコーダの潜在空間からの高次表現を活用した。 方法：BraTS2020 データセットおよびFondazione IRCCS Istituto Neurologico Carlo Besta（イタリア・ミラノ）からの独自データセットのマルチモーダルMRIデータを、BraTS2018で事前学習し、BraTS2020で微調整したU-Net様モデルを使用して独立して処理した。エンコーダの潜在空間から抽出された特徴は、階層的な画像パターンを表した。これらの特徴は臨床変数（患者の年齢）と組み合わされ、主成分分析（PCA）を通じて計算効率を高めるために削減された。機械学習分類器—ランダムフォレスト、XGBoost、および完全に接続されたニューラルネットワーク—は、OS分類のために減少した特徴ベクトルに対して訓練された。 結果：四重モダリティのBraTS4CH設定では、マルチレイヤーパセプトロンが最良の性能を達成した（F1 = 0.71、AUC = 0.74、正確性 = 0.71）。BraTS2020において2つのモダリティに制限された場合（BraTS2CH）、MLPが再び主導した（F1 = 0.67、AUC = 0.70、正確性 = 0.67）。IRCCS Bestaの二重モダリティコホート（Besta2CH）では、XGBoostが最高のF1スコアと正確性を生み出し（F1 = 0.65、正確性 = 0.66）、一方MLPは最高のAUC（0.70）を獲得した。これらの結果は、最新の報告と競争力があり、一部の指標では超えており、従来の放射化学とAI駆動のアプローチに対する自動化フレームワークの堅牢性とスケーラビリティを示している。 結論：マルチモーダルMRIデータからのエンコーダ派生特徴と臨床変数を統合することは、神経膠腫患者におけるOS予測のためのスケーラブルで効果的なアプローチを提供する。この研究は、従来の放射化学の制限に対処する深層学習の可能性を示しており、より正確で個別化された予後ツールの道を切り開くものである。