虚血性脳卒中後の機能的転帰予測のためのハイブリッドCNN-ViTモデリング:回顧的研究

サマリー

ハイブリッドCNN-ViTモデルは、マルチパラメトリックMRIの特徴を抽出し、積み重ねロジスティック回帰を融合させた画像診断と臨床予測を組み合わせ、急性虚血性脳卒中後の90日間の機能的転帰を推定しました。融合モデルはAUC0.885、精度0.840と最高の内部テスト性能を達成し、外部検証も有望な結果を示しました。

要約

急性虚血性脳卒中(AIS)は死因および長期障害の主な原因であり、機能回復の早期予測は臨床的意思決定やリハビリ計画の指針となる上で重要です。90日目の機能的アウトカムは修正ランキンスケール(mRS)を用いて評価されることが多いですが、初期の臨床情報や画像情報から長期的なアウトカムを予測することは依然として困難です。マルチパラメトリック磁気共鳴画像法(MRI)を構造化された臨床変数とハイブリッド畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)アーキテクチャを統合することで、単一モダリティモデルと比較して90日間の機能的アウトカムの予測が向上すると仮説を立てました。マルチパラメトリックMRIを受けた300人のAIS患者を遡及的に分析し、トレーニング・検証コホート(n=250)と内部独立検査コホート(n=50)に分けました。モデルの一般化可能性を評価するために、追加の外部検査コホート37名のAIS患者を含めました。マルチパラメトリックなMRI特徴を抽出するためのハイブリッドCNN-ViTモデルが開発され、画像診断と臨床予測は積み重ねロジスティック回帰を用いて統合されました。モデルの性能は、受信者の動作特性曲線(AUC)下の面積、感度、特異度、精度を用いて評価されました。評価された臨床モデルの中で、サポートベクターマシンは最も高い内部検査AUC(0.878)を記録しました。イメージングモデルはAUC0.782を記録しました。マルチモーダル融合モデルは、AUC0.885、感度0.920、特異度0.760、精度0.840と、全体的に最高の内部性能を達成しました。同様のパフォーマンス傾向は外部試験コホートでも観察されました。これらの発見は、マルチパラメトリックMRIと臨床予測の積み重ね融合がAIS後の90日間の機能的アウトカム予測を改善する可能性を示唆しています。しかし、臨床実施前には大規模な多施設検証試験が必要です。

概要

急性虚血性脳卒中(AIS)は依然として死因および長期障害の主な原因であり、治療や退院の決定^{が最も時間的に}敏感な時期に回復を見積もる必要があります。したがって、機能回復の正確な早期予測は、治療戦略、リハビリ計画、退院の意思決定において臨床的に重要です。90日間の機能的アウトカムは脳卒中研究およびケアにおける標準的な評価項目であり、最も一般的には修正ランキンスケール(mRS)を用いて測定されます。この尺度は臨床試験や^{観察研究で}妥当性と信頼性が確立されています^2,3。日常的な使用にもかかわらず、入院データから90日間mRSを予測することは依然として困難です。なぜなら障害は不可逆的な組織損傷と前疾患予備・併存負担の両方を反映し、急性画像診断結果が類似していても回復に影響を与えるからです^2,4。

マルチパラメトリックMRIは、単一の画像造影では完全に捉えられない早期虚血損傷や組織状態の臨床的に有効なバイオマーカーを提供します。拡散加重イメージング(DWI)は、初期の虚血変化に非常に感度が高いです。見かけ拡散係数(ADC)イメージングは拡散制限を定量化し、急性脳卒中コホートにおいて予後的な有用性を示しています⁵。T2液体減衰倒転回復(T2-FLAIR)は拡散画像を補完し、病変の進行の可視化を高め、発症時期が不確実な場合に病変の年齢や治療適格性を推定するために用いられるDWI-FLAIRミスマッチ手法の中心的役割を果たします。^6,7。大規模な多施設研究および無作為化試験では、DWI-FLAIRの不一致が4.5時間の治療期間内に患者を特定し、未知発症の脳卒中におけるMRI誘導による血栓溶解を支持していることが示されており、診断^6,7を超えたDWIおよびFLAIRの予後的重要性を強調しています。これらの観察結果は、DWI、ADC、T2-FLAIRを統合して初期虚血性コアの特徴と機能回復に影響を与える時間的情報を捉えるモデリング戦略を支持します。

同時に、確立された臨床変数は強い予後シグナルを提供し、入院^時には通常利用可能です。国立衛生研究所脳卒中スケール(NIHSS)は神経学的欠損の重症度を広く測定する指標であり、臨床転帰を強く予測します。急性脳卒中治療(TOAST)分類における組織10172試験を含む脳卒中病因サブタイプは、一部の分析ではNIHSSを超えた追加の予後情報を提供する^{可能性があります。}先行研究では、虚血性脳卒中コホートおよび予^{後研究において}、血管リスク因子および併存疾患が悪転換の候補として繰り返し特定されていることが示^{されています。}心房細動、非償償心不全、糖尿病などの特定の併存疾患は、脳卒中後の機能的転帰の悪化と一貫して関連^{しています。}喫煙は90日間の機能的転帰が悪化する一方で、アルコール使用は弱いまたは用量依存的な関連を示し、脂質障害は脳卒中後の障害とより複雑な関係を示します(13,14,15,16,17)。これらの発見は、脳卒中の重症度、病因、併存症負担を捉える構造化された臨床予測因子とマルチパラメトリックMRIを組み合わせることを支持しており、どちらかの手法だけに依存するのではないかと示しています。

最近の機械学習研究は、計算モデルが異種バイオマーカーを統合して脳卒中転帰の予測を向上させることを示唆していますが、性能はデータモダリティ、コホート構成、モデル設計、クラス不均衡処理戦略に大きく依存します。18,19,20。勾配ブースティングやアンサンブル法は、画像診断、人口統計学的、臨床変数を用いて90日間mRSを予測する可能性を示しており、特に不利な結果の二値分類(mRS > 2)¹⁸。最近の多施設研究では、DWI、ADC、FLAIRからの3次元畳み込みニューラルネットワーク(CNN)由来のMRI特徴と構造化された臨床変数を組み合わせており、マルチモーダルモデルが単一モーダリティアプローチを超えた補完的な予後情報を捉えることが示されました²¹。拡散加重画像診断や臨床変数と融合した非造影CT撮影などの単一画像診断手法でも同様の所見が報告されています^18,22。脳卒中転帰予測のためのマルチモーダル人工知能モデルを用いた代表的な研究は表1にまとめられています。

研究	イメージングモダリティ	AI技術(モデル)	目的	概要
リウら18	MRI(DWI)+臨床	ディープラーニング予測モデル(DLPD、CNNベースのイメージングネットワーク+臨床特徴ネットワーク)	融合画像および臨床情報を用いて序数90日mRSを予測します。	融合モデルは画像のみおよび臨床のみのモデルを著しく上回り、不利な結果の予測において高い精度を達成しました。
ユングら 21	MRI(DWI、ADC、フレア)+臨床	3D-CNNイメージングネットワークと多層パーセプトロン(MLP)臨床モデルを組み合わせたアンサンブル深層学習モデル	AISにおける機能的アウトカム予測のためのマルチモーダルアンサンブルDLモデルを開発します。	マルチモーダル統合により、大規模な多施設コホートにおける単一モダリティモデルと比較して3か月のアウトカム予測が改善されました。
Wei ら 27	MRI(DWI、ADC)+臨床	ラジオマイク+機械学習(LASSO特徴選択+ロジスティック回帰/ランダムフォレスト分類器)	MRIラジオミクスおよび臨床変数を用いて長期的な機能的転帰を予測します。	放射線学-臨床モデルは、画像のみまたは臨床のみのモデルよりも優れた予後性能を達成しました。
リウら22頁	造影剤なしCT+臨床	ディープラーニング融合モデル(CNNイメージングエンコーダー+臨床MLPネットワーク)	急性期CTおよび臨床データから90日間の機能的転帰を予測します。	マルチモーダル融合は単一モダリティモデルと比較して予測精度を大幅に向上させました。
リウら19	MRI(DWI)+臨床	ディープラーニング予測モデル(DLPD、CNNベースの融合モデル)	ディープラーニングの結果予測モデルを医師の予測と比較して評価してください。	このAIモデルは、90日間のmRS予帰を予測する点で脳卒中専門医と同等の性能を達成しました。
Rehmanら20	臨床	ハイブリッドディープラーニング(CNN+GRU、ADASYN)	不均衡な臨床データから脳卒中リスクを予測する	ADASYNを用いたハイブリッドディープラーニングは脳卒中リスク予測性能を向上させ、高度なデータバランシングとマルチモデル学習の価値を示しました。
アリら 29	MRI/fMRI/rs-fMRI	機械学習、言語学習、ハイブリッドモデルの体系的メタレビュー	神経画像診断のための計算知能技術の評価	ハイブリッドモデルは一般的に単独のMLやDLアプローチを上回り、ニューロイメージングに基づく予測におけるハイブリッドアーキテクチャの価値を支持しています。

表1:急性虚血性脳卒中後の機能的転帰の人工知能に基づく予測に関する過去研究の要約。 画像診断、臨床変数、または多様性アプローチを用いた脳卒中後の機能的転帰予測を用いる代表的な研究をまとめており、画像診断のモダリティ、人工知能技術、研究目的、主要な発見が含まれます。 この表をダウンロードするには、こちらをクリックしてください。

しかし、多くの既存の研究は単一画像シーケンスや主に局所的な空間特徴を捉える従来の深層学習モデルに依存しており、脳イメージングデータ内の長距離文脈関係を完全にモデル化できていない可能性があります。したがって、DWI、ADC、T2-FLAIRを構造化された臨床変数と共同で用い、局所病変特徴抽出とグローバル文脈モデリングを組み合わせたマルチモーダルアプローチの開発と外部評価には特有のギャップが残っています。CNNは病変レベルの特徴抽出に十分に確立されていますが、Vision Transformers(ViTs)のようなトランスフォーマーベースのアーキテクチャは注意メカニズムを通じて長距離文脈関係のモデリングを可能にし、補完的なグローバル表現を提供します^23,24。したがって、ハイブリッドCNN-ViTモデルは、局所的な形態学的詳細と全体的な脳の文脈を共同で符号化するための合理的な枠組みを提供します。機械学習アルゴリズムも同様に、異種構造化^{臨床データ内の}複雑な非線形関係のモデリングに適しています。補完的なクロスモー^{ダル統合を}重視する最近のマルチモーダル学習原理に基づき、本研究はCNN-ViTイメージングバックボーン内でマルチパラメトリックMRIを組み合わせ、90日間の転帰予測のために機械学習の臨床モデルと統合しました。本研究の新規性は、補完的なMRIシーケンス、局所的グローバルCNN-ViTイメージング表現、構造化された臨床予測因子を統合した90日間のアウトカム予測モデルを統合した積層マルチモーダル融合フレームワークの開発と外部評価にあります。

本研究の仮説は、マルチパラメトリックMRIを構造化された臨床変数とハイブリッドCNN-ViTアーキテクチャで統合することで、単一モダリティモデルと比較してAIS後の90日間の機能的アウトカムの予測が向上するというものでした。したがって、DWI、ADC、T2-FLAIR MRIシーケンスと構造化された臨床予測因子を統合したマルチモーダル深層学習フレームワークを開発し評価し、AIS患者の90日間mRSアウトカムを推定することでした。

プロトコル

本研究は深圳大学総合病院の機関審査委員会(IRB承認番号)によって承認されました。KYLL-2026-077-1)。書面によるインフォームドコンセントの要件は、研究の後ろ向き設計により免除されました。

1. 学習コホート

急性虚血性脳卒中(AIS)患者でマルチパラメトリックMRIを受けた患者は、機関の臨床データベースから後ろ的に特定されました。データセットの分割、画像モデルの開発、臨床モデル構築、マルチモーダル融合を含む研究全体のワークフローは 図1に示されています。

図1:マルチモーダル結果予測フレームワークのワークフロー。 (A) データ収集。あらかじめ定められた納入基準を満たす急性虚血性脳卒中(AIS)患者を後ろから特定しました。データセットは訓練検証コホート(n = 250)、内部独立テストコホート(n = 50)、外部テストコホート(n = 37)に分割されました。トレーニング・バリデーションコホート内で、階層化された5段階のクロスバリデーションを実施しました。(B) イメージングモデルの開発。拡散加重画像(DWI)、見かけ拡散係数(ADC)、T2流体減衰反転回復(T2-FLAIR)を含むマルチパラメトリックMRIシーケンスは、ハイブリッドな3次元畳み込みニューラルネットワーク-ビジョントランスフォーマー(CNN-ViT)アーキテクチャを用いて結果予測に処理されました。(C) 臨床モデル開発。構造化された臨床変数を用いて、90日間の機能的転帰を予測するための機械学習モデルを訓練しました。(D) マルチモーダル融合戦略。画像モデルと臨床モデルで生成された予測は、積層型ロジスティック回帰メタラーナーを用いて統合され、最終的な結果予測が生成されました。 この図の拡大版はこちらをクリックしてご覧ください。

MRI検査は臨床用MRIシステムを用いて実施されました。画像取得には専用のフェーズドアレイヘッドコイルが使用されました。すべての配列は、モダリティ間で一貫したスライス位置を用いて軸方向面で取得されました。拡散加重イメージング(DWI)は、反復時間(TR)が3,000〜5,000 ms、エコー時間(TE)が80〜90 msの単一ショットスピンエコーエコー平面イメージングシーケンスを用いて取得されました。拡散感作は、少なくとも3方向の直交方向で0および800–1,000 s/mm² のb値を用いた。視野は220〜240mmで、マトリックスサイズは128×128でした。スライス厚さは5〜6 mmで、スライス間ギャップは1〜1.5 mmでした。2〜4つの信号平均が取得されました。

見かけ拡散係数(ADC)マップは、スキャナーワークステーションのDWIデータから、取得したb値に基づくモノ指数フィッティングを用いて自動的に生成されました。ADC値はボクセル単位で計算され、定量解析のためにエクスポートされました。T2流体減衰反転回復(T2-FLAIR)画像は、TRが8,000〜10,000 ms、TEが80〜140 ms、反転時間が2,200〜2,600 msの反逆回復シーケンスで取得されました。視野は220〜240mmで、マトリックスサイズは192×192から256×256でした。スライス厚さは4〜5mmで、スライス間隙間は1〜1.5mmでした。

2. データ前処理

臨床データは、症例識別子、mRSアウトカムスコア、データセット分割ラベル、人口統計学的および臨床変数を含む構造化スプレッドシートからインポートされました。ケース識別子はイメージングファイル名との整合性を確保するために標準化されました。臨床変数には、人口統計的特徴、国立衛生研究所脳卒中スケール(NIHSS)で測定された脳卒中重症度、血管リスク因子、入院時に記録された併存疾患が含まれていました。

主要アウトカムは、脳卒中発症から90日経過時の機能状態であり、修正ランキンスケール(mRS)を用いて測定されました。良好な結果はmRS ≤ 2、不吉な結果はmRS > 2と定義されました。データセットは、mRS分布に基づく層別抽出を用いて、学習検証コホートと内部独立テストコホートにランダムに分割され、結果のバランスを保ちました。外部テストコホートは別途処理され、モデル開発時には使用されませんでした。トレーニング検証コホート内では、階層化されたk-フォールドクロスバリデーションを適用し、フォールド間で一貫したアウトカム分布を維持しました。

すべてのDWI、ADC、T2-FLAIRボリュームは、モデルトレーニング前に前処理され、モダリティ間での空間的および数値的な一貫性を確保しました。同じ前処理パイプラインは、訓練検証、内部テスト、外部テストのコホートにも変更なしで適用されました。画像は正準RAS向きに再配置され、浮動小数点配列に変換されました。平面内空間分解能は線形補間を用いて256×256にリサンプリングされました。スループレーン寸法は中心ベースの戦略で20スライスに標準化され、20スライスを超える体積はセンタークロップされ、20未満のスライスは対称的にゼロパディングされました。最終的なボリュームは256×256×20でした。

強度正規化は各体積ごとにzスコア正規化を用いて独立して実施されました。

ここでxはボクセル強度、μは体積の平均強度、σは標準偏差を表します。σ = 0の場合、数値的不安定性を防ぐための正規化は適用されませんでした。処理されたボリュームは、下流の深層学習解析用に標準化されたアフィン行列を用いたNIfTI形式で保存されました。

3. 臨床モデルの開発

構造化された臨床変数を用いて、結果予測のための機械学習モデルを開発しました。候補予測因子には、人口統計的特徴、血管リスク因子、脳卒中病因、基底臨床重症度指標が含まれていました。連続変数は中央値を使って帰属され、標準化されました。カテゴリ変数は最も頻繁なカテゴリを用いて帰帰可能化され、ワンホット符号化で符号化されました。

ロジスティック回帰、ランダムフォレスト、勾配ブースティング、サポートベクターマシン(SVM)、極端勾配ブースティング、ライトグラデーションブースティングマシンモデルなど、複数の機械学習アルゴリズムが評価されました。モデル開発は、一般化性能を推定するために、トレーニング・バリデーションコホート内での階層化された5重クロス検証フレームワークに従って進められました。内部および外部テストコホートの最終予測は、各クロス検証フォールドで訓練されたモデルの予測値を平均して生成されました。クロスバリデーションやモデル選択の際に外部サンプルは使用されませんでした。

4. ディープラーニングモデルアーキテクチャ

マルチモーダルMRI体積からのアウトカム予測のために、3次元CNN-ViTハイブリッドアーキテクチャが実装されました。このネットワークは、局所的な空間特徴抽出とグローバルな文脈モデリングを統一された枠組み内で組み合わせるよう設計されました。入力ボリュームは、エンドツーエンドで処理された多チャンネルの3次元画像で構成されていました。

特徴抽出は当初、4段階からなる階層的な3次元畳み込みバックボーンを用いて行われました。各段階は、カーネルサイズ3 × 3 × 3の畳み込み層と1ボクセルのパッディングを持つ2つの畳み込み層で構成され、その後バッチ正規化と整流線形単位活性化が行われました。空間分解能は、最初の3段階後に3次元最大プーリング層を適用して段階的に低下させ、特徴チャネルの深さは各レベルで増加して高次の意味的表現を捉えました。最終畳み込み段階の後に過学習を減らすためにドロップアウト正則化(ドロップアウト率=0.1)が適用されました。畳み込みバックボーンは、サイズC × D× H × Wの入力体積を、空間次元を縮小したコンパクトな高次次元特徴表現に変換しました。

得られた特徴マップは空間次元を平坦化することでトークンの列に再形成され、トークンの数は次の通りになるようになった。

N = D' x H' x W'

トークン間のグローバルな文脈関係は、多ヘッドの自己注意ネットワークとフィードフォワードネットワークからなるトランスフォーマーエンコーダ層を用いてモデル化されました。自己注意は次のように計算されました:

ここで、Q、K、Vはそれぞれクエリ行列、キー行列、値行列を表し、dは埋め込み次元を表します。各エンコーダ層内でレイヤー正規化とドロップアウトが適用され、トレーニングの安定性が向上しました。トランスフォーマーモジュールは3つのエンコーダ層、8つの注意ヘッド、埋め込み次元256から成り立っていました。

トランスフォーマー符号化後、分類トークンに対応する表現が抽出され正規化されました。完全接続の線形層は、二値分類用の単一のロジット出力を生成しました。

提案されたハイブリッドCNN-ViTアーキテクチャは、表現容量と過学習リスクのバランスを取るために軽量かつパラメータ効率の高いモデルとして意図的に設計されました。このモデルは379万の訓練可能なパラメータ(fp32精度で約14.4MB)で構成されており、そのうち138万はコンボリューショナルバックボーン、237万はトランスフォーマーエンコーダに含まれていました。

5. イメージングモデルの訓練

画像モデルの訓練は、フォールド間でのアウトカム分布を維持しつつ、パフォーマンス推定の堅牢性を高めるために、層別化された5重クロスバリデーションフレームワークを用いて実施されました。データセットは、結果分布に基づく層別抽出を用いてトレーニング検証コホートと内部独立テストコホートに分割されました。トレーニング・検証コホート内では、階層化された5重クロス検証が適用されました。各フォールドについて、イメージングモデルはトレーニングサブセットを用いて訓練され、対応する検証サブセットで評価されましたが、保留されたテストコホートは最終的なパフォーマンス評価専用に予約されました。

モデル最適化は、GPU搭載ワークステーション上でAdamWオプティマイザーを用いてディープラーニングフレームワークを用いて行われ、学習率は3 × 10⁻⁵、ウェイト減衰率は3 × 10⁻⁴でした。訓練は8人単位で最大200エポックにわたり実施されました。損失関数としてロジットを用いた二項クロスエントロピーが用いられました。

クラスの不均衡に対処するため、各折り返しごとに負のサンプルと正のサンプルの比率に基づいて正のクラス重み付け係数を計算し、損失関数に組み込んだ。最適化時の数値安定性向上のために、最大ノルム0.5の勾配ノルムクリッピングが適用されました。自動混合精度トレーニングが可能となり、計算効率が向上しました。

早期停止は、検証性能が30回連続で少なくとも1×10^⁻4 も改善しなかった場合に実施されました。各折り目から最も性能の良いモデルチェックポイントを保持しました。すべての折りたたみが完了した後、各折りたたみ特有モデルを用いて内部および外部のテストコホートの予測を生成し、5つのモデル間で予測を平均してアンサンブル出力を生成して最終確率を得ました。

6. マルチモーダル融合モデル

画像解析に基づく予測と構造化された臨床情報を統合するために、積み重ね融合戦略が実施されました。深層学習イメージングモデルと臨床予測モデルがベース学習器として機能し、それらの予測確率はロジスティック回帰メタラーナーの入力特徴として用いられました。予測確率の積や絶対差などの追加の相互作用要素も組み込まれ、画像診断と臨床予測間の補完的な情報を捉えました。

情報漏洩を防ぐため、メタ学習者はトレーニング検証コホートから生成された予測確率を用いて訓練されました。画像モデルと臨床モデルからのクロス検証済みアウトオブフォールド確率を患者識別子で統合し、メタ学習者トレーニングデータセットを構築しました。内部および外部のテストコホートでは、画像モデルおよび臨床モデルからの対応するテストセットの確率を訓練済みメタラーナーへの入力として用い、融合確率を生成しました。訓練されたメタラーナーは、再調整せずに両方のテストコホートに適用されました。

7. アブレーション研究

アブレーション実験は、主要なモデルと同一のトレーニングおよび評価環境を用いて、個々のMRIシーケンスおよびVision Transformerコンポーネントの寄与を評価するために実施されました。配列アブレーションには、単一配列モデル、リーブワンシーケンスモデル、そして完全なマルチパラメトリックモデルが含まれていました。ビジョントランスフォーマーモジュールの貢献を評価するために、提案されたハイブリッドアーキテクチャは、トランスフォーマーエンコーダを排除し同じ畳み込みバックボーンを保持したCNNのみのベースラインと追加で比較されました。

8. 統計分析

モデルの性能は、内部独立テストコホートおよび外部テストコホートで別々に評価され、主要識別指標として受信者操作特性曲線(AUC)下の面積を用いました。受信機動作特性(ROC)曲線は、各モデルによって生成された予測確率を用いて構築されました。さらに、分類性能の特徴付けのために感度、特異性、全体的な精度も計算されました。

二項の結果は、ユーデン指数に基づいて決定された閾値を用いて生成されました。その後、感度、特異度、精度を最適な閾値で計算しました。すべての統計解析、機械学習モデル開発、深層学習モデルの訓練は、標準的な科学計算および機械学習ソフトウェアパッケージを使用して実装されました。

結果

研究コホート

あらかじめ定められた包含・除外基準を適用した後、急性虚血性脳卒中(AIS)患者合計300名を対象にしました。データセットは、機能的アウトカム分布に基づく層別抽出を用いて、トレーニング検証コホート(n = 250)と内部独立テストコホート(n = 50)に分割されました。さらに、独立したデータセットから37名のAIS患者を対象とした外部テストコホートも含め、予備的な外部検証を行いました。モデル開発とパフォーマンス推定のために、トレーニング・検証コホート内でのみ、階層化された5重クロスバリデーションを実施しました。

研究対象集団の基礎人口統計学的および臨床的特徴は 表2にまとめられています。好ましい機能的結果(mRS ≤ 2)と不利な機能的結果(mRS > 2)は、層別抽出戦略により、トレーニング検証および内部試験コホートに比例分布していました。外部検査コホートには、好転の患者29名と不予転の8名が含まれていました。

ディスカッション

本研究は、急性虚血性脳卒中(AIS)後の90日間の機能的転帰を予測するために、マルチパラメトリックMRIと構造化された臨床変数を統合したマルチモーダル人工知能フレームワークを開発し評価しました。提案された融合モデルは、画像診断モデルや臨床モデル単独よりも高い予測性能を示しました。具体的には、サポートベクターマシン(SVM)ベースの臨床モデルと画像モデルからの予測を統合したスタックマルチモーダルモデルは、内部独立検査コホートでAUCが0.885を記録し、臨床モデルの0.878、画像モデルの0.782と比べて高い。SVM臨床モデルに対するAUCの増加は控えめでしたが、融合モデルは感度を0.760から0.920に、精度を0.820から0.840に向上させ、AUC単独を超えた増分的な予測価値を示唆しました。独立したコホートでの外部検証では一貫したパフォーマンスを示し、融合モデルはAUC0.797、精度0.838を達成しました。外部検査コホートでは、融合モデルはSVM臨床モデルよりもAUC、感度、精度が高く、特異性を維持し、構造化された臨床変数を超えた画像解析からの予測の補完的な...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
磁気共鳴画像装置（(Discovery MR750 3.0T)	GEヘルスケア		DWI、ADC、およびT2-FLAIR画像の取得に使用される臨床MRIスキャナー
フェーズドアレイヘッドコイル	GEヘルスケア		MRI信号受信に使用されるヘッドコイル
グラフィックス処理ユニット（RTX 4090）	NVIDIA		ディープラーニングモデルトレーニングに使用されるGPU
ディープラーニングフレームワーク（PyTorch v2.1）	PyTorch Foundation		CNN-Transformerモデルを実装するために使用されるフレームワーク
プログラミング言語（Python v3.10）	Python Software Foundation		モデル開発とデータ処理に使用される環境
機械学習ライブラリ（scikit-learn）	scikit-learn Developers		臨床機械学習モデルと統計分析に使用される
グラディエントブースティングライブラリ（XGBoost）	DMLC		グラディエントブースティングモデルの実装に使用される
グラディエントブースティングライブラリ（LightGBM）	Microsoft		LightGBM臨床モデルに使用される