MEDICINE & AI

タイトル：Phenotype augmentation using generative AI for isocitrate dehydrogenase mutation prediction in glioma 雑誌名：Sci Rep. 2025 Aug 07; 15(1): 28913. 概　要： 本研究は、特定の画像特徴を持つ生成画像を用いた特徴拡張が、グリオーマにおけるイソクエン酸デヒドロゲナーゼ（IDH）変異予測モデルの性能に与える影響を調査しました。598人の患者（310人の訓練用、152人の内部テスト、136人の外部テスト）が対象となり、スコアベースの拡散モデルを用いてT2強調、FLAIR、造影T1強調画像のトリプレットを生成しました。3人の神経放射線科医が視覚的チューリングテストとさまざまな形態的特徴を独立して評価しました。実画像、ランダム拡張データ、特徴拡張データセットを用いた多変量ロジスティック回帰モデルを開発しました。ランダム拡張は実画像ベースのモデルと同等のAUCを示しましたが、特に外部テストセットで特異度が低下しました（特異度：83.2% vs. 73.0%、P = .013）。対照的に、特徴拡張モデルは安定した診断性能を維持しましたが、訓練画像の70%以上に合成T2-FLAIRミスマッチサインが含まれると、外部テストセットでAUCが低下しました（AUC：0.905-0.906 for ≤70%; 0.902-0.876 for ≥80%）。これらの結果は、IDH予測のための表現型特異的拡張の価値を強調し、性能低下を避けるための拡張比率の最適化の必要性を示しています。 方　法： 本研究は、598人の患者を対象としたコホート研究です。患者は、310人の訓練用、152人の内部テスト、136人の外部テストに分けられ、スコアベースの拡散モデルを用いて画像を生成しました。多変量ロジスティック回帰モデルは、実画像、ランダム拡張データ、特徴拡張データセットを使用して開発されました。主要評価指標はAUCと特異度です。 結　果： ランダム拡張は、実画像ベースのモデルと同等のAUCを示しましたが、外部テストセットで特異度が73.0%に低下しました。特徴拡張モデルは安定した性能を維持しましたが、70%以上の合成T2-FLAIRミスマッチサインを含む場合、外部テストセットでAUCが0.902-0.876に低下しました。 結　論： 特徴拡張はIDH変異予測において有用であることが示されましたが、拡張比率を最適化する必要があることが明らかになりました。これにより、性能の低下を避けつつ、診断精度を向上させる可能性があります。