WEKO3
アイテム
脳形態MRIを用いたアルツハイマー病臨床診断の為の深層学習モデルの構築と判断領域の可視化
http://hdl.handle.net/10191/0002001065
http://hdl.handle.net/10191/0002001065a176857e-2a53-4215-8d64-382376ef6624
| 名前 / ファイル | ライセンス | アクション |
|---|---|---|
本文 (1.7MB)
|
|
|
|
要旨 (526KB)
|
|
| Item type | 学位論文 / Thesis or Dissertation(1) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| 公開日 | 2023-07-26 | |||||||||
| タイトル | ||||||||||
| タイトル | 脳形態MRIを用いたアルツハイマー病臨床診断の為の深層学習モデルの構築と判断領域の可視化 | |||||||||
| 言語 | ja | |||||||||
| タイトル | ||||||||||
| タイトル | Construction of a deep learning model for clinical diagnosis of Alzheimer's disease using morphological brain MRI and visualization of discriminative decision area | |||||||||
| 言語 | en | |||||||||
| 言語 | ||||||||||
| 言語 | jpn | |||||||||
| キーワード | ||||||||||
| 言語 | en | |||||||||
| 主題Scheme | Other | |||||||||
| 主題 | Alzheimer's disease | |||||||||
| キーワード | ||||||||||
| 言語 | en | |||||||||
| 主題Scheme | Other | |||||||||
| 主題 | Brain magnetic resonance imaging | |||||||||
| キーワード | ||||||||||
| 言語 | en | |||||||||
| 主題Scheme | Other | |||||||||
| 主題 | Deep Learning | |||||||||
| キーワード | ||||||||||
| 言語 | en | |||||||||
| 主題Scheme | Other | |||||||||
| 主題 | Convolutional Neural Networks | |||||||||
| キーワード | ||||||||||
| 言語 | en | |||||||||
| 主題Scheme | Other | |||||||||
| 主題 | Explainable AI | |||||||||
| 資源タイプ | ||||||||||
| 資源タイプ識別子 | http://purl.org/coar/resource_type/c_db06 | |||||||||
| 資源タイプ | doctoral thesis | |||||||||
| アクセス権 | ||||||||||
| アクセス権 | open access | |||||||||
| アクセス権URI | http://purl.org/coar/access_right/c_abf2 | |||||||||
| 著者 |
武田, 基秀
× 武田, 基秀
|
|||||||||
| 抄録 | ||||||||||
| 内容記述タイプ | Abstract | |||||||||
| 内容記述 | 【緒言】アルツハイマー病は徐々に進行する認知障害のため社会適応が困難となり、その介護の負担を中心として大きな社会問題となっている。一方、人工知能の医療への活用は進展しており大きな変革を生み出す途上にある。本研究は、最適化した深層学習を脳形態の磁気共鳴画像法(MRI)に用いることにより、高い判別性能を持った診断補助システムを構築するとともに、通常ブラックボックスである判断根拠を可視化することにより、臨床補助システムとして臨床診断に付加価値を付与することのできる画像判別システムを構築し判別性能の評価を行った。【対象と方法】対象は2015/4/6から2017/6/13までの期間に撮像された68例(正常例(Control)36症例、AD症例32症例)のMRI形態画像を用いた。事前学習されたVGG16及びConvNeXtTiny(CNXT)を最適化した深層学習モデルを使用して、鑑別診断能を検証した。さらにGrad-CAM、SmoothGradを用い本研究の深層学習モデルがADと判断した根拠について、重み付けの高い部位の可視化を行い判断根拠の明確化を行った。【結果】診断能の評価において、VGG16を用いた場合、受信者動作特性(ROC)分析の総合評価指標であるAUC値は0.990、正解率0.943、再現率0.900、適合率1.000であった。次に、CNXTを用いた場合、AUC値は0.986、正解率0.986、再現率0.983、適合率0.992であった。重み付けの高い部位の可視化では、海馬、側脳室といったADにおいて早期から萎縮をきたす部位の重みが高かった。【考察】本研究の結果について、最近の類似研究の結果、臨床医の判別精度と比較して、データが少ないにもかかわらず良好な性能を達成でき、臨床の補助システムとして医療に付加価値を与えうる潜在力があることの立証になったと考えた。CNXTとSmoothGradを使用することにより、可視化において安定した良好な結果を得ることができ、臨床と本技術の活用の中で価値を生み出す潜在性を示唆していると考えられた。課題として、実践において臨床的価値を付加するために、臨床の現場と共同して本技術の更なる改良が必要であること、並びに、画像の質に対する堅牢性を担保する必要性から、データを拡大した研究が必要であることがあげられる。【結論】深層学習モデルを使用した脳形態のMRIの画像診断を用いることにより、良好な診断性能を持った判別システムを構築することができた。さらに判断根拠を可視化してその情報を供給し、臨床に診断補完システムという付加価値を与えることが可能であることを示すことができた。 | |||||||||
| 言語 | ja | |||||||||
| 学位名 | ||||||||||
| 言語 | ja | |||||||||
| 学位名 | 博士（医学） | |||||||||
| 学位授与機関 | ||||||||||
| 学位授与機関識別子Scheme | kakenhi | |||||||||
| 学位授与機関識別子 | 13101 | |||||||||
| 言語 | ja | |||||||||
| 学位授与機関名 | 新潟大学 | |||||||||
| 言語 | en | |||||||||
| 学位授与機関名 | Niigata University | |||||||||
| 学位授与年月日 | ||||||||||
| 学位授与年月日 | 2023-03-23 | |||||||||
| 学位授与番号 | ||||||||||
| 学位授与番号 | 甲第5127号 | |||||||||
| 学位記番号 | ||||||||||
| 内容記述タイプ | Other | |||||||||
| 内容記述 | 新大院博(医)第1118号 | |||||||||
| 言語 | ja | |||||||||
