[論文レビュー] Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: emerging machine learning techniques and future avenues

Francesco La Rosa, Maxence Wynen+12 more|arXiv (Cornell University)|Jan 19, 2022

Multiple Sclerosis Research Studies被引用数 11

ひとこと要約

本レビューでは、多発性硬化症における画像診断の特異性と予後予測の正確性を向上させる可能性を示す、先進的なMRIバイオマーカーである皮質病変、中心静脈徴候、パラマグネティックリム病変の検出に向けた新たな機械学習技術を統合的に検討している。論文は現在のML手法を評価し、非標準化されたプロトコルや限られたデータといった課題を特定し、臨床応用に向けた今後の研究方向性を提示している。

ABSTRACT

The current multiple sclerosis (MS) diagnostic criteria lack specificity, and this may lead to misdiagnosis, which remains an issue in present-day clinical practice. In addition, conventional biomarkers only moderately correlate with MS disease progression. Recently, advanced MS lesional imaging biomarkers such as cortical lesions (CL), the central vein sign (CVS), and paramagnetic rim lesions (PRL), visible in specialized magnetic resonance imaging (MRI) sequences, have shown higher specificity in differential diagnosis. Moreover, studies have shown that CL and PRL are potential prognostic biomarkers, the former correlating with cognitive impairments and the latter with early disability progression. As machine learning-based methods have achieved extraordinary performance in the assessment of conventional imaging biomarkers, such as white matter lesion segmentation, several automated or semi-automated methods have been proposed for CL, CVS, and PRL as well. In the present review, we first introduce these advanced MS imaging biomarkers and their imaging methods. Subsequently, we describe the corresponding machine learning-based methods that were used to tackle these clinical questions, putting them into context with respect to the challenges they are still facing, including non-standardized MRI protocols, limited datasets, and moderate inter-rater variability. We conclude by presenting the current limitations that prevent their broader deployment and suggesting future research directions.

研究の動機と目的

• 多発性硬化症の診断特異性を向上させるために、皮質病変、中心静脈徴候、パラマグネティックリム病変といった先進的MRIバイオマーカーの役割を評価すること。
• 臨床的および研究的現場における、これらのバイオマーカーを自動検出するための機械学習手法の現状を評価すること。
• 非標準化されたMRIプロトコル、限られたデータセット、バイオマーカーの信頼性に影響を及ぼす中程度の評価者間ばらつきといった主な課題を特定すること。
• MSにおけるMLベースのバイオマーカー検出の堅牢性、一般化能、臨床応用を高めるための今後の研究方向性を提案すること。

提案手法

• 皮質病変、中心静脈徴候、パラマグネティックリム病変の検出に向けた機械学習応用を対象とした包括的レビュー。
• U-Netや3次元畳み込みネットワークを含む、深層学習モデルを用いた病変セグメンテーションおよび分類に用いられたML技術の分類。
• MRI撮影プロトコルの施設間ばらつきや標準化されたラベル付けの欠如といった、メソドロジ的課題の評価。
• モデルの一般化および妥当性評価を妨げる、小規模かつ非均一なデータセットといったデータ制限の分析。
• 認知機能障害や障害の進行との中間的相関に注目した、臨床的意義と技術的性能の統合的分析。
• 評価者間ばらつきや、多施設・マルチスキャナーバリデーション研究の必要性といった、未解決の課題の議論。

実験結果

リサーチクエスチョン

• RQ1 機械学習手法は、MS患者における皮質病変、中心静脈徴候、パラマグネティックリム病変の検出および定量にどのように寄与しているか？
• RQ2 これらのMLベースのバイオマーカー検出技術の広範な導入を妨げる主な技術的および臨床的課題は何か？
• RQ3 これらの先進的バイオマーカーは、認知機能低下や早期の障害進行といった臨床的アウトカムとどの程度相関しているか？
• RQ4 MRIプロトコルの標準化とデータ共有は、MS画像におけるMLモデルの性能と信頼性をどのように向上させうるか？
• RQ5 MSにおけるML駆動型バイオマーカー検出の臨床応用を可能にするために、今後の研究でどのような方向性が求められるか？

主な発見

• 皮質病変は認知機能障害と強く相関し、パラマグネティックリム病変は早期の障害進行と強く相関しており、それぞれ予後バイオマーカーとしての価値が示唆される。
• 中心静脈徴候は、他の脱髄疾患と多発性硬化症を区別するうえで、従来のMRIマーカーに比べ高い特異性を示した。
• 特にU-Netのような深層学習アーキテクチャを用いた機械学習モデルは、皮質病変のセグメンテーションおよび中心静脈徴候の同定において高い性能を達成している。
• 進展は見られるものの、現在のML手法は非標準化されたMRIプロトコルや大規模で多施設にわたるデータセットの不足により課題に直面している。
• 評価者間ばらつきは中程度にとどまっているが、より堅牢で再現性のあるアノテーションフレームワークの必要性が浮き彫りになっている。
• 今後のこれらのバイオマーカーの臨床的応用には、標準化された取得プロトコル、より大きなデータセット、多様なスキャナープラットフォームにおけるバリデーションが不可欠である。