脳CTにおける脳内出血の分類、検出、弱監視下の3Dセグメンテーションのためのマルチタスク深層学習パイプライン
カテゴリ：災害・救急医療
公開日：2026年2月19日
タイトル：A multi-task deep learning pipeline for classification, detection, and weakly supervised 3D segmentation of intraparenchymal hematoma on brain CT
雑誌名：Sci Rep. 2026 Jan 05; 16(1): 4611.
概 要：
本研究では、非造影脳CTにおける急性頭蓋内出血と周囲出血浮腫の自動評価のためのマルチタスク深層学習パイプラインを開発しました。急性出血は重要な神経学的緊急事態であり、迅速かつ信頼性の高い画像解釈が必要です。このフレームワークは、出血の存在とサブタイプの識別、周囲出血浮腫の検出、脳内出血の3Dセグメンテーションを統合し、擬似ラベルを用いた弱監視戦略を採用しています。合計10,922枚の画像を分析し、高い感度と優れたセグメンテーション精度を達成しました。このパイプラインは、臨床意思決定を支援し、診断の信頼性を高める可能性を示しています。
方 法：
この研究は、10,922枚の画像を対象にしたマルチタスク深層学習のコホート研究です。使用したデータは、6,000枚のRSNA画像、120人の患者からの728枚のPHE-SICH-CT-IDSスライス、4,194枚のBHSD画像です。主要評価指標には、出血検出の感度（0.9584）、サブタイプの識別におけるAUC（0.9330）、浮腫の検出率（0.9873）が含まれます。
結 果：
このパイプラインは、出血検出において高い感度（0.9584）、サブタイプの識別において堅牢なパフォーマンス（AUC 0.9330）、浮腫の信頼性の高い識別（検出率0.9873）を達成しました。脳内出血のセグメンテーション精度は優れており（DSC 0.9803）、浮腫に対しては中程度の精度（0.4569）でした。外部検証により、脳内出血の一般化可能性も確認されました（0.7549）。
結 論：
このマルチタスク深層学習パイプラインは、急性ケアの現場において、臨床意思決定を支援し、診断の信頼性を向上させる可能性を示しています。分類、検出、セグメンテーションを統合することで、臨床ワークフローの効率化が期待されます。