MEDICINE & AI

タイトル：Predicting diffusion-FLAIR mismatch from B1000 and ADC without FLAIR: A deep learning-based approach. 雑誌名：Sci Rep. 2026 Jun 02; doi: 10.1038/s41598-026-55388-x. 概　要： 拡散-FLAIRミスマッチ（DFM）は、拡散強調画像（DWI）とFLAIRシーケンスの不一致を示す重要な画像バイオマーカーであり、症状の発症が不明な患者や再開通療法の恩恵を受ける可能性のある患者を特定するために使用されます。しかし、急性の臨床環境ではFLAIR画像が時間的制約や患者の不安定性、スキャナーの可用性のために制限されることがあります。本研究では、B1000およびADC画像のみを用いてDFMを予測する深層学習モデルを開発し、その性能を評価することを目的としました。 方　法： 本研究は、多施設の脳卒中レジストリに基づくコホートを用いて実施されました。分析に適さない症例を除外した後、モデル開発のために2,369症例が導出コホートに含まれ、2つの独立した脳卒中センターから679症例が外部検証コホートとして含まれました。モデルの性能は、2つの二項分類スキームに基づいて評価されました。Focused分類では、明確に定義された一致および不一致のインスタンスのみを含み、あいまいなケースは除外されました。 結　果： Focused分類設定において、AIモデルは外部検証データセットでAUROC 0.92（95% CI: 0.88-0.95）を達成し、専門家の平均AUROC 0.82（95% CI: 0.77-0.87）を有意に上回りました（p < 0.001、AUROC差0.10）。全体として、Focused分類はBroad分類よりも高い性能を示し、この傾向はAIモデルと人間の読影者の両方で一貫していました。 結　論： B1000およびADC画像のみを用いてDFMを予測できる深層学習ベースの分類器を開発しました。このモデルは人間の専門家を上回る性能を示し、FLAIR画像が利用できない急性脳卒中の診断補助ツールとしての可能性を示しています。将来的には、意思決定支援システムへの統合が期待されます。