スライスプールを基にしたAI駆動型ラジオミクスアルゴリズムによるグリオーマグレーディング
AI補助のスライスプーリングに基づくグリオーマグレーディングのラジオミクスアルゴリズム
背景紹介
グリオーマ（Glioma）は中枢神経系で最も一般的かつ脅威的な腫瘍であり、高発病率、高再発率、高死亡率、低治癒率を持ちます。世界保健機関（WHO）はグリオーマを四段階（I、II、III、IV）に分類し、そのうちI級とII級は低度グリオーマ（LGG）、III級とIV級は高度グリオーマ（HGG）と呼ばれます。高度グリオーマはより侵襲性のある悪性腫瘍で、予期寿命は約2年です。2016年にWHOは分子タイプ分けを導入し、感受性の低い治療を排除できるようになりましたが、グリオーマのグレーディングは依然として治療方針の選定において重要な診断基準となっています。
磁気共鳴画像法（MRI）は、グリオーマの検出と分析によく使用されるイメージング技術です。非侵襲的で迅速な方法であり、MRI画像は医師の観察だけでは得られない豊富な情報を含んでいます。ラジオミクス（Radiomics）は人工知能技術の一部として、定量的な画像分析手法の一つであり、画像情報を特徴量に変換することで、様々な疾患の補助診断と予後に役立っています。この分野の臨床研究の初期成果により、ラジオミクスを臨床実践に転化する高性能なコンピュータ支援診断（CAD）システムへの期待が高まっています。
CADシステムは統合ソリューションを含んでおり、特に画像ソリューションは、医学や生物学の問題に限らず、画像検査に基づく正確な術前診断を可能にします。例えば、放射線科医はMR画像上で関心領域（ROIs）を分割し、それをCADシステムに入力するだけで、病理の詳細を含む診断結果を生成します。この新しい診断モードは、専門家の診断レベルを下回らない分析結果を提供し、診断速度を向上させます。総じて、患者の治療方針の選定に参考と時間を提供します。
画像ベースのラジオミクスに基づくCADシステムは励みになる成果を上げていますが、まだ改良の余地があります。現在のROIs分割は、半自動または手動方式で行われており、腫瘍疾患のMR画像分割は経験豊富な放射線科医が手動で行うため、多くの労働と時間を必要とし、CADシステムのワークフローが遅延します。したがって、放射線科医の手動ROIs描画の負担を軽減する適切なソリューションの開発が必要です。
論文元
本論文はGuohua Zhao（鄭州大学第一附属病院、鄭州大学インターネット医療協同イノベーションセンター）、Panpan Man、Jie Bai（鄭州大学第一附属病院）、Longfei Li、Peipei Wang（鄭州大学第一附属病院）、Guan Yang（中原工学院計算機科学学院）、Lei Shi（鄭州大学ソフトウェア学院）、Yongcai Tao、Yusong Lin（鄭州大学ソフトウェア学院、鄭州大学インターネット医療協同イノベーションセンター及びHANWEI IOT研究所）およびJingliang Cheng（鄭州大学第一附属病院）との協力で、2022年8月のIEEE Transactions on Industrial Informaticsジャーナルに掲載されました。
今回の研究では、グリオーマグレーディングの効率と精度を向上させるために「AI-RASP（AI-Powered Radiomics Algorithm Based on Slice Pooling）」と名付けられたAI駆動のラジオミクスアルゴリズムを確立しました。
方法およびプロセス
1. スライスプーリング（SP）メカニズム
スライスプーリング（Slice Pooling、SP）メカニズムはAI-RASPの重要な前処理ステップです。深層学習モデルのプーリングメカニズムに似ており、画像ピクセルに基づく圧縮メカニズムです。このメカニズムは、異なるスライス間の同じ位置のピクセル値を統合し、ここではその位置のピクセル値として最大値を選択して画像圧縮を行います。具体的な公式は以下の通りです：
[ I_s (i, j) = \max (S_1 (i, j), \ldots, S_k (i, j), \ldots, S_l (i, j)) ]
ここで ( S_k (i, j) ) は第k番目のスライスの(i, j)位置のピクセル値、 ( I_s (i, j) ) は圧縮画像の(i, j)位置のピクセル値を表します。
2. AI-RASPのワークフローの位置付け
提案するAI-RASPアルゴリズムはCADシステムのプロトタイプであり、グリオーマのグレーディングに使用できます。AI-RASPは以下のステップで構成されています：
(i) 画像前処理
まず、4つのMRIシーケンス（T1強調画像、T2強調画像、増強T1強調画像およびFLAIR画像）の画像をラジオミクスモデルに入力します。各シーケンスはSP操作を行い、圧縮画像を生成します。すべての画像はモデル入力前に前処理され、その内容はFSLツールを用いた頭骨除去、ボクセル正規化およびグレースケール正規化を含みます。
(ii) 分割とレジストレーション
分割とレジストレーションを行う前に、比較検証のために3つの前処理グループを設定します。グループ1は原画像で、放射線科医が手動でROIsを分割します。グループ2はSP操作生成の圧縮画像と手動分割の圧縮ROIs、グループ3はSP操作生成の圧縮画像で、放射線科医が手動で分割します。すべての腫瘍の2-D ROIsは、経験豊富な放射線科医2名がITK-SNAPソフトを使用して手動で分割し、20年以上の経験を持つベテラン放射線科医がレビューして、その正確性を確保します。
(iii) ラジオミクス特徴抽出と選別
Pythonのpyradiomicsパッケージを使用して、原画像および圧縮画像から特徴量を抽出し計算します。特徴選択方法には、マンホイットニーU検定、エラストネット方法および再帰的特徴除去アルゴリズムを用いて、現在の特徴の過適合を防止します。
(iv) モデル構築と検証
線形サポートベクターマシンモデルを使用して、訓練データセットで選択された特徴に基づいてグリオーマのグレードを予測し、異なる前処理グループでモデルの検証を行います。ROC曲線分析ではAUC、感度、および特異度を計算してモデルの正確性を評価します。
結果と分析
提案するアルゴリズムは400人の患者を含む多中心データセットで検証され、その結果、従来の手動分割と比べてAI-RASPは分割効率を大幅に向上（5倍以上）し、グリオーマグレーディングの精度でも一貫した効果を示しました。具体的には、訓練セットでのAUC値が0.927に達し、検証セットではそれぞれ0.896、0.902および0.894に達しました。
意義と価値
AI-RASPのグリオーマグレーディングへの応用は、放射線科医の手動分割ROIsに費やされる時間を大幅に削減し、作業効率を向上させ、圧縮画像の特徴抽出も良好で、臨床におけるラジオミクスの適用に役立ちます。総じて、この方法は科学研究の面で重要な価値を持つだけでなく、臨床診断の効率と精度の向上にも広範な応用前景を示しています。
まとめ
本論文ではスライスプーリングに基づくAI駆動のラジオミクスアルゴリズム（AI-RASP）を提案し、グリオーマの画像グレーディングで分割効率と精度を大幅に向上させました。今後の研究では、AI-RASPの高次MRI技術、より多様な組織学的検査、前向きデータにおける効果をさらに検証する予定です。