深層学習による胸水CT診断

U-Net: deep learning for cell counting, detection, and morphometry | Nature Methods

U-Net は，医療画像解析における多くの深層学習モデルの基礎として重要性を増している．過去の研究において，U-Net は膵臓セグメンテーション，3D 心臓セグメンテーション，自動基底ガラス結節検出などの固形臓器と病巣領域のセグメンテーションに用いられている．

胸部CT画像における胸水セグメンテーションのために，3次元空間重み付けU-Netと2次元古典的U-Netを組み合わせ，微細なマスクを得ることに成功．

胸水セグメンテーションの高い精度は、その後病変分類のための深層学習モデルを訓練するために使用することができる予測特徴を識別。このように、胸部CT画像特徴の大域的・部分的解析に基づいてBPEとMPEを診断する深層学習アルゴリズムを提案し、患者の臨床予後改善に重要な役割を果たす可能性がある。

Differentiation of malignant from benign pleural effusions based on artificial intelligence 

Wang S, et al. Thorax 2022;0:1–7. doi:10.1136/thoraxjnl-2021-21858

http://orcid.org/0000-0003-4664-2474

https://thorax.bmj.com/content/early/2022/09/30/thorax-2021-218581

概要

はじめに 本研究は，胸部CT画像に基づいて人工知能モデルを構築し，良性胸水（BPE）と悪性胸水（MPE）のセグメンテーションと分類を行うことを目的とした．

方法 胸水患者918例を対象とし，無作為に抽出した607例をトレーニングコホート，残りの311例を内部テストコホートとし，さらに362例の独立した外部テストコホートを使用した．胸水セグメンテーションモデル（M1）を3D spatially weighted U-Netに 2D classical U-Netを結合し開発した。次に、CTボリュームとその3次元胸水マスクを入力として、BPEとMPEを識別する分類モデル（M2）を構築した。

結果 M1の平均Dice類似度係数、Jaccard係数、精度、感度、Hausdorff距離95%（HD95）、平均表面距離指標はそれぞれ87.6±5.0%、82.2±6.2%、99.0±1.0%、83.0±6.6%、 6.9±3.8 および 1.6±1.1 であり、3次元 U-Net および空間重み付き U-Net より良好であった。M2については，外部テストコホートにおいて，Volume concat masksを入力として得られたROC特性曲線下面積，感度，特異度は，0.842（95% CI 0.801～0.878），89.4%（95% CI 84.4%～93.2%），65.1%（95% CI 57.3%～72.3% ）であった．これらの性能指標は、他の入力パターンに対するものと比較して、有意に改善された。

結論 胸水のセグメンテーションに深層学習モデルを適用し，このモデルはBPEとMPEの鑑別診断に有望な性能を示した．

Dice係数、Jaccard係数

https://mieruca-ai.com/ai/jaccard_dice_simpson/

Hausdorff距離

ハウスドルフ距離 - Wikipedia