MEDICINE & AI

タイトル：Postoperative Karnofsky performance status prediction in patients with IDH wild-type glioblastoma: A multimodal approach integrating clinical and deep imaging features. 雑誌名：PLoS One. 2024; 19(11): e0303002. 概　要： この研究は、IDH野生型神経膠腫患者における術後6ヶ月のカーノフスキー機能評価（KPS）を予測するモデルを開発することを目的としています。KPSは患者の機能を評価するための重要なツールであり、予後不良の患者の層別化に寄与します。臨床データと術前・術後のMRIスキャンからの深層学習に基づく画像特徴を組み合わせることで、個別化されたケアを提供することを目指しました。 方　法： 本研究は、Brain Tumor Segmentation Challenge 2020の公開データベースから得た1,476のMRIデータセットを使用し、2つの変分オートエンコーダ（VAE）を事前学習しました。VAEの潜在空間から得られた画像特徴を用いてKPSを予測する神経ネットワークモデルを開発しました。150人の新たに診断されたIDH野生型神経膠腫患者の臨床パラメータとMRI画像を用い、訓練セット（100人）とテストセット（50人）に分けて評価しました。モデルの性能は、5回の交差検証を10回繰り返してAUCを計算しました。 結　果： 150人の患者のうち、61人が術後6ヶ月のKPSスコア70未満、89人が70以上でした。臨床モデル、MRIモデル、臨床パラメータとMRI特徴を統合したマルチモーダルモデルの3つを開発しました。訓練セットにおけるマルチモーダルモデルの平均AUCは0.785±0.051で、臨床モデル（0.716±0.059、P=0.038）やMRIモデル（0.651±0.028、P<0.001）よりも有意に高い結果を示しました。テストセットでは、マルチモーダルモデルがAUC 0.810を達成し、臨床モデル（0.670）やMRIモデル（0.650）を上回りました。 結　論： VAEから抽出したMRI特徴と臨床パラメータを統合したマルチモーダルモデルは、KPS予測性能を大幅に向上させました。このアプローチは、神経膠腫患者に対する予後予測を改善し、より個別化された効果的な治療法の開発に寄与する可能性があります。