名古屋市立大學研究生院醫學研究科的山田茂樹講師與滋賀醫科大學、東京大學、大阪大學、東京都立大學、日本東北大學、山形大學和富士膠片的研究人員組成的團隊宣佈，成功開發出了一項AI技術，能夠從腦部三維核磁共振造影（MRI）影像中提取出特發性正常壓力腦積水（iNPH）病症的重要診斷依據——蛛網膜下腔不成比例擴大的腦積水（DESH），並能夠提供提取區域的依據。該研究有望提高iNPH診斷的準確性。相關研究成果已於3月15日發表在國際學術期刊《Frontiers in Aging Neuroscience》上。
本次開發的AI技術能夠自動從影像中提取DESH、腦室擴大、THC、SFD表現的四個特徵，用於診斷iNPH（供圖：名古屋市立大學醫院）
iNPH是隨着年齡增高而發病率增加的由慢性顱内腦脊髓液瀦留導致的腦積水，臨牀表現通常爲步態障礙、認知疾患和尿失禁。伴隨病情的進展，患者的日常生活品質將受到嚴重影響，需要持續護理。由於該病的病情一旦加重就很難恢復，因此儘早發現儘早冶癒至關重要。
iNPH表現爲腦室和覆蓋於大腦周圍的蛛網膜下腔同時擴大，由此常被誤診爲腦萎縮，導致病情發現不及時。
此前日本的研究人員報告了在iNPH中會同時發生THC（大腦凸面腦溝和中央溝狹窄）和SFD（側裂池和基底池增寬），並將這種表現命名爲DESH。DESH成爲了識別iNPH和腦萎縮的重要影像學表現。儘管此後iNPH的診斷率有所提高，但DESH的判斷一直存在主觀評價的問題，甚至專家間的判斷也存在差異。
爲解決這一問題，研究團隊首先開發了一種能夠從三維MRI影像中自動提取判斷DESH所需的4個顱内區域（腦脊髓液腔、腦室、大腦凸面腦溝和中央溝、側裂池和基底池）的AI技術。
研究人員對年齡21歲至92歲的138名健康受試者和43名診斷爲iNPH的患者進行了頭部三維T1加權MRI和T2加權MRI檢查。隨後利用富士膠片的雲端AI技術開發支援服務SYNAPSE Creative Space，從影像中分別高效提取出了腦室和蛛網膜下腔。此外，還從蛛網膜下腔中手動提取了THC和SFD的兩個區域。這四個區域的資料被用於AI的深度學習，研究人員合計準備了160人的三維T1加權MRI影像和180人的三維T2加權MRI影像。
研究人員使用3DU-Net進行基於語義分割（Semantic Segmentation）的區域提取深度學習，並將學習推進到可進行區域提取的最大精度。
接下來，利用卷積神經網路（CNN）進行基於影像分類（Image Classification）的深度學習，從而開發出了可以自動地根據腦脊髓液腔影像判斷是否存在DESH，根據腦室影像判斷是否存在腦室擴大，根據大腦凸面腦溝和中央溝影像判斷是否存在THC，根據側裂池和基底池影像判斷是否存在SFD的AI技術。
研究人員還提出了三個指標來量化這些判斷，分別是DESH index、Venthi index和Sylihi index，同時證實了DESH的嚴重程度和特徵可以數值化。
山田講師表示：「爲了辨別iNPH和由阿茲海默症引起的腦萎縮，我們開發出了可以從MRI影像中自動提取判斷DESH表現所需的腦室、大腦凸面腦溝和中央溝、側裂池和基底池三個區域的AI技術。我們將該AI技術搭載到富士膠片銷售的三維工作站SYNAPSE VINCENT的「腦脊髓液腔分析」應用程式中，並獲得了醫療器械審批。該應用程式的發佈與論文發表起伏同步進行，現在一線的醫務人員已經可以使用。從MRI影像中提取這三個區域，即使是熟悉這項工作的我在單個病人的影像上平均也要花費2～3個小時，而這款應用只需要2～3秒就可以提取完成。此外，過去的一些研究設計了很多用於客觀評價DESH的二維指標，而利用這款應用自動提取的區域體積資料，我們可以立即用AI測算出高精度的三維指標，這與傳統的二維指標截然不同。」
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
雜誌：Frontiers in Aging Neuroscience
論文：Automatic assessment of disproportionately enlarged subarachnoid-space hydrocephalus from 3D MRI using two deep learning models
DOI：10.3389/fnagi.2024.1362637
