非対比 CT MRI から脳腫瘍の強化を予測する人工知能

arXiv:2508.16650v2 Announce Type: replace-cross 要約: 脳腫瘍画像評価には通常、対比前と対比後 MR 成像が不可欠ですが、頻回な追跡観察、腎不全、アレルギー、および小児患者においては、ガドリニウム投与は必ずしも望ましくありません。我々は、非対比 MR 成像序列のみを用いて脳腫瘍の強化を予測できるディープラーニングモデルを開発し、検証することを目的としていました。成人および小児の様々な神経腫瘍状態（Glioma, Meningioma、転移性腫瘍、および切除後所見を含む）を有する 10 の国際的データセットから、合計 11,089 件の脳 MR 画像を収集しました。nnU-Net、SegResNet、SwinUNETR のディープラーニングモデルを訓練し、非対比 T1、T2、および T2/FLAIR 加重画像のみを用いて増強する腫瘍を予測およびセグメント化させました。性能評価は、患者レベルの検出指標およびボキセルレベルのセグメント化精度を伴って、留保されたテスト患者 1,109 名で行われました。モデルの予測は、それぞれ 100 名 randomly 選ばれた患者を見極めた 11 名の放射線医と対比されました。最も性能の優れた nnU-Net モデルは、増強する腫瘍を検出する際に、83% のバランス精度、91.5% の感度、および 74.4% の特異性を達成しました。増容体積の予測は真値と強く相関していました（R² 0.859）。このモデルは、69.8% の精度、75.9% の感度、および 64.7% の特異性を達成した放射線医よりも優れていました。テスト患者の 76.8% が Dice 0.3 以上（検出可能）、67.5% が Dice 0.5 以上（良好な検出）、および 50.2% が Dice 0.7 以上（優れている検出）でした。ディープラーニングは、臨床的に関連する性能で対比しない MR 成像から増強する脳腫瘍を識別できる可能性があります。これらのモデルはスクリーニングツールとして有望であり、神経腫瘍画像におけるガドリニウム依存性を削減する可能性があります。将来の研究は、放射線医との協働を伴い臨床的な有用性を評価する必要があります。

arXiv:2508.16650v2 Announce Type: replace-cross Abstract: Brain tumour imaging assessment typically requires both pre- and post-contrast MRI, but gadolinium administration is not always desirable, such as in frequent follow-up, renal impairment, allergy, or paediatric patients. We aimed to develop and validate a deep learning model capable of predicting brain tumour contrast enhancement from non-contrast MRI sequences alone. We assembled 11089 brain MRI studies from 10 international datasets spanning adult and paediatric populations with various neuro-oncological states, including glioma, meningioma, metastases, and post-resection appearances. Deep learning models (nnU-Net, SegResNet, SwinUNETR) were trained to predict and segment enhancing tumour using only non-contrast T1-, T2-, and T2/FLAIR-weighted images. Performance was evaluated on 1109 held-out test patients using patient-level detection metrics and voxel-level segmentation accuracy. Model predictions were compared against 11 expert radiologists who each reviewed 100 randomly selected patients. The best-performing nnU-Net achieved 83% balanced accuracy, 91.5% sensitivity, and 74.4% specificity in detecting enhancing tumour. Enhancement volume predictions strongly correlated with ground truth (R2 0.859). The model outperformed expert radiologists, who achieved 69.8% accuracy, 75.9% sensitivity, and 64.7% specificity. 76.8% of test patients had Dice over 0.3 (acceptable detection), 67.5% had Dice over 0.5 (good detection), and 50.2% had Dice over 0.7 (excellent detection). Deep learning can identify contrast-enhancing brain tumours from non-contrast MRI with clinically relevant performance. These models show promise as screening tools and may reduce gadolinium dependence in neuro-oncology imaging. Future work should evaluate clinical utility alongside radiology experts.