[論文レビュー] Towards Automatic Prediction of Outcome in Treatment of Cerebral Aneurysms

Ashutosh P. Jadhav, Satyananda Kashyap+7 more|arXiv (Cornell University)|Nov 18, 2022

Intracranial Aneurysms: Treatment and Complications被引用数 6

ひとこと要約

本研究では、2次元および3次元のアンギオグラフィー画像からのセグメンテーションから得られる臨床的および画像診断的特徴を用いて、広頸部分岐動脈瘤の治療結果を予測する機械学習モデルを開発した。このモデルは、血管内塞栓術に伴う内腔内血流遮断デバイスを用いた治療後に完全閉塞対比部分閉塞を分類する際、75.31%の正解率と加重F1スコア0.74を達成した。

ABSTRACT

Intrasaccular flow disruptors treat cerebral aneurysms by diverting the blood flow from the aneurysm sac. Residual flow into the sac after the intervention is a failure that could be due to the use of an undersized device, or to vascular anatomy and clinical condition of the patient. We report a machine learning model based on over 100 clinical and imaging features that predict the outcome of wide-neck bifurcation aneurysm treatment with an intravascular embolization device. We combine clinical features with a diverse set of common and novel imaging measurements within a random forest model. We also develop neural network segmentation algorithms in 2D and 3D to contour the sac in angiographic images and automatically calculate the imaging features. These deliver 90% overlap with manual contouring in 2D and 83% in 3D. Our predictive model classifies complete vs. partial occlusion outcomes with an accuracy of 75.31%, and weighted F1-score of 0.74.

研究の動機と目的

• 内腔内血流遮断デバイスを用いた治療における脳動脈瘤の治療結果の予測を改善すること。
• 治療後における動脈瘤嚢への残留血流という、治療失敗の主な要因に対処すること。
• より良い意思決定支援のため、多様な臨床的および画像診断的特徴を統合した一元的予測モデルを構築すること。
• 2次元および3次元の深層学習を用いたセグメンテーションにより、画像特徴の抽出を自動化すること。
• 血管内治療後の完全閉塞対比部分閉塞の結果を区別するモデルの性能を評価すること。

提案手法

• 患者データから100以上の臨床的および画像診断的特徴（血行動態的および解剖的指標を含む）を収集した。
• 回旋アンギオグラフィーにおける動脈瘤嚢の自動セグメンテーションを目的とした2次元および3次元畳み込みニューラルネットワーク（CNN）モデルを開発した。
• 2次元では手動セグメンテーションと90%のDice重複率、3次元では83%のDice重複率を達成し、セグメンテーションの正確性を検証した。
• 臨床的および画像診断的特徴を統合し、結果予測にランダムフォレスト分類器を用いた。
• モデルの性能を評価するために、加重F1スコアと正解率を評価指標として使用した。
• 広頸部分岐動脈瘤を血管内デバイスで治療したデータセットを用いて、モデルを学習および検証した。

実験結果

リサーチクエスチョン

• RQ1 広頸部分岐動脈瘤に対する血管内治療後の完全閉塞対比部分閉塞の結果を、機械学習モデルが正確に予測できるか？
• RQ2 アンギオグラフィー画像における動脈瘤嚢の自動2次元および3次元セグメンテーションは、手動による輪郭描画とどの程度一致するか？
• RQ3 臨床的および画像診断的特徴のどの組み合わせが、治療結果の予測性能を最も高めるか？
• RQ4 新しい画像診断的測定値は、標準的な臨床的要因に加えて、結果予測をどの程度向上させるか？
• RQ5 深層学習に基づくセグメンテーションは、動脈瘤解析における特徴抽出のための相互評価差を低減し、作業負荷を軽減できるか？

主な発見

• 機械学習モデルは、完全閉塞対比部分閉塞の結果を予測する分類精度として75.31%を達成した。
• モデルは加重F1スコア0.74を示し、クラス間の適合率と再現率のバランスが良好であることを示した。
• 3次元セグメンテーションモデルは手動セグメンテーションと83%のDice重複率を達成し、高い解剖学的忠実度を確認した。
• 2次元セグメンテーションモデルは手動輪郭と90%のDice重複率を達成し、2次元平面解析において優れた性能を示した。
• 臨床的要因に加えて、新規の画像診断的特徴を統合することで、予測能力が顕著に向上した。
• 結果から、深層学習を用いた自動画像特徴抽出は、動脈瘤治療計画における臨床的意思決定支援に役立つ可能性があると示唆された。