ディープラーニングで神経膠腫の画像診断の困難性を解決！腫瘍の治療と研究への貢献に期待（AI×医療）【論文】

最終更新日：2025/03/08

(Featured AI and healthcare) Deep Learning solves the difficulties of medical imaging of glioma ! Expected to contribute to tumor treatment and research (Publication)

[論文] M. M. Shaver, P. A. Kohanteb, C. Chiou, M. D. Bardis , C. Chantaduly, D. Bota, C. G. Filippi, B. Weinberg, J. Grinband, D. S. Chow and P. D. Chang, “Optimizing Neuro-Oncology Imaging: A Review of Deep Learning Approaches for Glioma Imaging”. Cancers, 11 (6), 829 (2019). [DOI: 10.3390/cancers11060829]

３つの要点

神経膠腫はMRIを用いて特徴付けられるが、その特性上、信頼性の高い画像評価は困難だった。

ディープラーニングは、医療における画像ベースの問題を解決すると期待されており、研究と臨床活動の両方を発展させる可能性を秘めている。

この論文は、神経膠腫の検出と予後予測の分野で使用されている現在のディープラーニングの手法の応用を概説している。

概説

磁気共鳴画像法（MRI）を用いたX線撮影評価は、すべての原発性悪性腫瘍の80%を占める神経膠腫を特徴付けるために広く使用されている。残念なことに、神経膠腫の生物学は、不均一な血管新生、細胞増殖、細胞浸潤、およびアポトーシスによって特徴付けられてしまう。

これは、様々な程度の増強、浮腫、および壊死につながり、信頼性の高い画像評価を困難にしている。AI機械学習の一種であるディープラーニングは、医用イメージングにおける問題を含む、画像ベースの問題を解決する上で効果的に採用される方法として注目を集めている。

このレビューは、神経膠腫の検出と予後予測の分野で使用されている現在のディープラーニングの応用を要約することを目的としており、（1）術前および術後の腫瘍セグメンテーション、（2）組織の遺伝的特徴、および（3）予後診断に焦点を当てる。セグメンテーション、特徴付け、グレーディング、および神経膠腫の生存率の予測におけるディープラーニングの手法は、研究と臨床活動の両方を高めるかもしれない有望な機会であることを示している。

切除後11週目のGBMの64歳の男性における線形1次元測定値（A）と機械学習体積分析（B）の比較。再発の不規則性を考えると、体積分析が好ましいことがわかった。パネルAは、2Dで最大寸法を選択する際の課題を示している。一方、パネルBは、半自動容積測定アプローチで最大寸法を正確に取り込む方法を示している。

IDH突然変異の状態に関連する原型的な画像の特徴。我々のCNNはT1コントラスト後特徴がIDH1突然変異状態を予測することを証明した。具体的には、IDH野生型は、太くて不規則な増強（A）、または薄くて不規則で、縁の乏しい末梢増強（B）を特徴とする。対照的に、IDH変異を有する患者は、最小限の増強（C）および明確な腫瘍マージン（D）を示す。

著者

Madeleine M. Shaver † (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
mshaver@uci.edu

Paul A. Kohanteb † (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
pkohante@uci.edu

Catherine Chiou (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
clchiou@uci.edu

Michelle D. Bardis (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
mbardis@uci.edu

Chanon Chantaduly (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
cchantad@uci.edu

Daniela Bota (Department of Neurology, University of California, Irvine, Orange, CA 92868, USA)
dbota@uci.edu

Christopher G. Filippi (Department of Radiology, North Shore University Hospital, Manhasset, NY 11030, USA)
sairaallapeikko@gmail.com

Brent Weinberg (Department of Radiology, Emory University School of Medicine, Atlanta, GA 30322, USA)
Brent.d.weinberg@gmail.com

Jack Grinband (Department of Radiology, Columbia University, New York, NY 10032, USA )
jackgrinband@gmail.com

Daniel S. Chow (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
email：chowd3@uci.edu

Peter D. Chang (Department of Radiology, University of California, Irvine, Orange, CA 92868-3201, USA)
changp6@uci.edu

† These authors contributed equally.

出版情報

Received: 5 May 2019 / Accepted: 11 June 2019 / Published: 14 June 2019

© 2019 by the authors. Licensee MDPI, Basel, Switzerland. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (http://creativecommons.org/licenses/by/4.0/).

■サポートのお願い
AIDBを便利だと思っていただけた方に、任意の金額でサポートしていただけますと幸いです。