AIと神経難病・神経免疫疾患 ── 多発性硬化症 ── 2026-10-29
多発性硬化症の治療・治験とAI
- Image-Level Classification of Central Vein Categories on FLAIR MRI in Multiple Sclerosis Using a Lightweight Explainable Deep Learning Framework抄録（全訳）
背景・目的 中心静脈徴候は、MRI で多発性硬化症（MS）の病変の性質を見分ける手がかりになる。ただし、読影には専門医の時間と経験が要る。著者らは、小型の畳み込みニューラルネットワーク（CNN）と深層特徴量エンジニアリング（DFE）のパイプラインを作った。目的は、臨床的にラベル付けされた MR 画像を 3 クラスに分類することである。
方法：MS Vein データセットには、154 人の参加者から得た軸位断 FLAIR 画像 3181 枚が含まれる。クラスは静脈陽性、静脈陰性、対照の三つである。MACDIBNeXt（パラメータ数約 650 万）は、次の要素を組み合わせたモデルである。プーリングに基づくアテンション型のダウンサンプリング、グループ畳み込み、ボトルネックブロック、逆ボトルネックブロックである。このモデルは Stable ImageNet1k で事前学習した。その後、参加者単位で分割したデータでファインチューニングした（訓練 98 人、検証 25 人、テスト 31 人）。DFE パイプラインでは、まずグローバル平均プーリングで 768 個の特徴量を取り出した。次に、訓練データを参加者ごとにまとめた分割（fold）で、CWINCA により 47 個を選んだ。選んだ特徴量は tkNN で分類した。
結果：評価には、学習に使っていない 31 人分のテスト画像 635 枚を用いた。CNN 単独では 527 枚を正しく分類した（82.99%、参加者単位のクラスター・ブートストラップによる 95% 信頼区間 77.93〜87.66%）。DFE では 571 枚を正しく分類した（89.92%、95% 信頼区間 85.47〜93.82%）。マクロ F1 は 89.13%、Cohen の κ は 0.83 だった。参加者をクラスターとして再標本化すると、6.93 ポイントの向上の 95% 信頼区間は 3.33〜10.63 ポイントだった（P = 0.0002）。クラスターを考慮して調整した McNemar 検定では、P = 0.0021 だった。提示した例では、Grad-CAM の活性化はいずれも頭蓋内にみられた。
結論：MACDIBNeXt と DFE の組み合わせで、内部データの画像単位で有望な結果が得られた。ただし、データは単施設の後ろ向きのもので、ラベルは FLAIR 画像上で付けられている。そのため、臨床で使う前に、外部データで参加者単位の検証をする必要がある。
掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-26 時点の値、2026-10-28 に取得。正式な IF（Clarivate）ではない）書誌：Tasci I, Elidar G, Albayrak S, Goktas OF, Tuncer T, Baygin M, et al. Image-Level Classification of Central Vein Categories on FLAIR MRI in Multiple Sclerosis Using a Lightweight Explainable Deep Learning Framework. Brain Sci. 2026 Oct 26;16(11):1160. doi:10.3390/brainsci16111160.確認の範囲：抄録のみ確認