ゲーム理論的解釈可能性を持つ多モーダル解きほぐされた変分オートエンコーダによる膠芽腫の分類

情報科学 人工知能 神経内科学 コンピューターサイエンス 医用画像学 医学
多モーダルMRI 膠芽腫分類 変分オートエンコーダ 画像融合 説明可能なAI 放射科学 機械学習

多模態解凍変分オートエンコーダとゲーム理論解釈性が膠質腫分類における応用

背景紹介

中枢神経系統で膠質腫は最も一般的な原発性脳腫瘍です。細胞活性と侵襲性に応じて、世界保健機関（WHO）はこれをIからIV級に分類しています。IおよびII級を低位膠質腫（LGG）、IIIおよびIV級を高位膠質腫（HGG）と呼びます。臨床実践において、治療決定は通常、腫瘍の異なる級に合わせて個別に調整する必要があります。そのため、正確な膠質腫分類は、治療決定、個別化治療、患者の予後予測にとって非常に重要です。現在、膠質腫分類のゴールドスタンダードは手術生検や組織病理学分析によって行われています。しかし、この方法は侵襲性があり、リアルタイム性を持っていないため、てんかん、感染症、さらには穿刺経路沿いの腫瘍転移によって引き起こされるリスクがあります。そこで、術前に非侵攻的かつ即時な膠質腫レベル診断の分類システムを開発することは重要です。

磁気共鳴画像（MRI）は膠質腫患者の臨床術前診断、治療決定、予後評価に広く使用され、有望な非侵襲ツールであることが証明されています。通常、取得される膠質腫治療のMRI画像は4つのモードが含まれています：流体減衰反転回復法（FLAIR）、T1加重画像（T1）、T1加重コントラスト強調画像（T1CE）、T2加重画像（T2）。各モードは異なる組織信号を反映しています。具体的には、FLAIRは腫瘍浸透と浮腫の高い異質シグナルを示しています；T1は解剖学的信号を提供します；T1CEは増強されていない領域と壊死組織のシグナルを反映していますが、T2は浮腫部位に敏感であり、腫瘍境界と浮腫の程度のシグナルを提供しています。したがって、伝統的な多模態MRI画像は、膠質腫の出血、壊死、浮腫組織のシグナル強度と占位効果をクリアに表示できます。放射線科医はこれらの総合的な情報に基づいて患者に治療決定を下すことができますが、これは面倒で効率的ではありません。

近年、拡散テンソル画像（DTI）および表面拡散係数（ADC）のような高度なパラメトリックMRI技術が、レベル指数、ADCヒストグラム、透過率などの指標を提供し、膠質腫分類において有望な潜在力を示しています。しかし、これらの先進MRI技術は時間がかかり、高価であり、すべての患者に広く臨床応用することはできません。したがって、正確な膠質腫分類のための伝統的な多模態MRI画像の効果的な統合は急務です。

出典紹介

本研究論文はJianhong Cheng、Min Gao、Jin Liu、Hailin Yue、Hulin Kuang、Jun LiuおよびJianxin Wangらの研究者によって執筆され、中南大学コンピュータサイエンスおよびエンジニアリングカレッジ湖南省バイオインフォマティクス重点ラボ、貴州航空計測技術研究所、中南大学湘雅第二病院画像科、湖南省画像品質管理センターなどの機関に所属しています。論文はIEEE Journal of Biomedical and Health Informaticsに2022年2月に掲載されました。

研究の詳細な過程

a) 研究のワークフロー

本研究では、術前多模態MRI画像から抽出した放射線学的特徴に基づく膠質腫分類のための多模態解凍変分オートエンコーダ（MMD-VAE）モデルを提案しました。研究は複数のデータ処理と実験手順を使用しています。これには以下が含まれます：

  1. データの収集および処理：研究データは多模態脳腫瘍セグメンテーションチャレンジ（BraTS）と中南大学湘雅第二病院の臨床データから得られました。合計で438名の膠質腫患者の1752枚のMRI画像が収集されました。これにはFLAIR、T1、T1CEおよびT2の4つのモードが含まれています。

  2. ROIの定義とセグメンテーション：全ての術前MRI画像は最初に左-後ろ-上（LPS）座標系へ再配置され、統一されたT1解剖テンプレートへ登録され、脳抽出ツール（BET）を使って頭蓋骨剥離が行われました。BraTSチャレンジに基づいて、非拡張腫瘤（NET）、拡張腫瘤（ET）、浮腫（ED）の3種類のROIがセグメンテーションの対象となりました。本研究では主にNET領域に焦点を当てています。それは高い異質性と予測性能を持っているからです。

  3. 放射線学的特徴の定義と抽出：9種類のフィルター（含む原画像、未フィルタリング、二乗、ルート、対数、指数、グラディエント、小波変換、局所二値パターン、ガウスラプラシアン）で処理されたROI画像から2153個の定量的特徴を抽出しました。特徴は一次統計、形状、グレイレベル共起行列（GLCM）、グレイレベル依存行列（GLDM）、グレイレベル長さ行列（GLRLM）、グレイレベルサイズゾーン行列（GLSZM）、近傍グレイレベルトーン差行列（NGTDM）の7つのカテゴリーに分類されます。

  4. 多模態解凍変分オートエンコーダ：MMD-VAEフレームワークは各モードの特徴を変分オートエンコーダのエンコーダーを通じて潜在表現を抽出し、潜在表現は共有表現と差別化表現に解凍されます。エンコーダーは複数の密集層とReLU活性化関数から構成されており、次いで二つの線形マッピングを介して潜在表現が解凍されます。デコーダーは潜在ベクトルから入力特徴を再構築し、解凍された共有表現もまた、モード間再構築のために使用されます。

  5. 膠質腫分類予測器：各モードの共有表現と差別化表現を組み合わせ、隠れ層二層と出力層一層からなる膠質腫分類予測器に入力し、sigmoid関数を通じて予測確率を出力します。

b) 主な研究結果

実験結果によると、提案されたMMD-VAEモデルは、2つの基準データセットにおいて優れた予測性能を示しました。公開データセットではAUC値が0.9939、精度が98.46%、感度が100%、特異性が94.12%となりました。またクロス施設のプライベートデータセットではAUC値は0.9611、精度は94.32%、感度は96.72%、特異性は88.89%でした。これらの定量的な結果と解釈は、放射線科医が膠質腫をより良く理解し、臨床治療決定の向上に寄与する可能性があります。

c) 研究の結論と意義

本研究は、術前多模態MRI画像から抽出した放射線学的特徴により膠質腫の分類を行うための極めて効果的な多模態解凍変分オートエンコーダモデルを提案しました。この方法は分類の予測精度を高めるだけでなく、モデルの解釈性も向上させることで、臨床診断と個別化治療決定に重要な意味を持ちます。SHAP法を活用することで、モデルが重要特徴が分類への貢献を定量的に解釈し分析できるようになり、放射線科医が膠質腫に対する理解を深め、臨床予後を改善することができます。

d) 研究のハイライト

  1. 革新的な解凍表現学習方法：解凍多模態変分オートエンコーダモデルを通じて異なるモード間の補完情報を抽出し、膠質腫の分類予測精度を向上させました。
  2. 定量的なモデル解釈：SHAP法を用いて重要特徴が分類に与える影響を定量化し、モデルの解釈性を高め、臨床医がより良く理解し適用するための手助けをします。
  3. 優れた予測性能：2つの基準データセットにおいて極めて高いAUC値と精度を示し、モデルの有効性と安定性を検証しました。
  4. **多模