機械学習技術と構造的・機能的MRIを用いた統合失調症の診断的アプローチ

Transcript

1. 機械学習技術と構造的・機能的MRIを用いた 統合失調症の診断的アプローチ @me1pan Renato de Filippis et al. Machine learning techniques in a structural and functional MRI diagnostic approach in schizophrenia: a systematic review. Neuropsychiatr Dis Treat. 2019; 15: 1605–1627.
2. Introduction 統合失調症の診断は臨床的な症状のみから行われており、 正確に疾患を予測できるバイオマーカーはいまだに不明である MRI画像と機械学習を用いることで臨床における診断の支援ができるのではないか 過去30年の統合失調症診断における機械学習技術をシステマティックレビュー
3. 統合失調症とは ▪ 幻覚や妄想などの陽性症状 ▪ 無気力や感情鈍麻などの陰性症状 ▪ 認知機能障害 DSM-5またはICD-10を用いてその症状から臨床的に診断を行う 特徴的な症状
4. Methods PubMed、Embase、MEDLINE、PsychINFO、Cochrane Library で、 2018 年 12 月 31 日ま でに発表された論文を、言語・時間制限なしで、キーワード検索 (“Schizophrenia”) AND (“support vector” OR “SVM” OR “Pattern classification” OR “Deep learning” …) 2人の著者が独立して選択された研究をレビュー PRISMA声明をもとに作成（システマティックレビューとメタアナリシスの質を 向上させるために公表された国際的規範） 論文の検索
5. Methods Jadad score が3点以上の論文を選択 研究の質の評価 Jadad score とは・・・ 論文の質をチェックするための評価方法 ランダム化、盲検化、中断・脱落の3つの記載の明確さに応じて0から5点の範囲で 評価
6. Methods DSM-IV、DSM IV-TR、DSM-5、ICD-10 の基準で診断された統合失調症患者が対象で 機械学習手法を用いた研究 除外された研究 ・外因性の疾患や診断が不明瞭な患者が対象の研究 ・対照群が存在しない研究 論文の選定基準
7. 論文選定のフローチャート
8. Result 2386本の論文のうち2215本の論文が基準を満たさないため削除 残りの171本をレビューした結果、35本が選定された 35本中8本が structural MRI (sMRI)を用い、26本が functional MRI (fMRI)、 1本は両方を用いていた
9. Result 統合失調症とほかの精神疾患または健常者を区別するために sMRIまたはfMRIを用いていた sMRIでは主に白質と灰白質の違いに焦点を当てていた fMRIでは脳の機能的接続のパラメータ、ネットワーク、コネクトームの 異常を評価していた
10. sMRIを用いた研究 初発統合失調症患者163人と健常対象163人の皮質厚と表面積をsMRIで測定 測定値をサポートベクターマシン（SVM）で解析 分類精度は・・・ 皮質厚で81.8 % （特異度 85.0 % 感度 76.9 % ） 表面積で85.0 %（特異度 87.0 % 感度 83.0 % ）
11. fMRIを用いた研究 思春期発症統合失調症患者48人と健常対象31人のfunctional connectivity（FC）を測定 Long-range positive FC（lpFC） と short-range positive FC （spFC）の異常が認められた anterior default mode network（DMN）で増加 posterior DMNで減少 lpFCはsalience network でも減少した SVMでの分類精度は 92.4 %（特異度 96.8 % 感度 89.6 %）
12. fMRIとは 酸化ヘモグロビンと還元ヘモグロビンの信号強度が 異なることを利用 脳の血流変化と脳領域間の相関を見ることができる DMN：安静時（デフォルトモード）に神経活動が 高くなる領域 出典：花川 隆：安静時機能結合MRI． MEDICAL IMAGING TECHNOLOGY．2016；Vol.34：15．
13. すべての研究において最低でも60％の精度を達成しており、 多くが75~90%を示していた sMRIとfMRIを比較するとfMRIの方が精度が高かった 最も利用された手法はSVMであり、他の機械学習の方法と組み合わせることで 100%近い精度が得られる Discussion
14. 脳領域のうち前頭前野、側頭皮質、帯状皮質が診断に最も有用である →DMNで異常活動がみられる SCZ患者の鑑別能力を向上させるためには異なる種類のデータを 組み合わせて検討すべきである Discussion
15. ▪ サンプルサイズが小さい ▪ 薬物治療を受けていない患者のみの研究は4件のみ ▪ MRI画像と他のデータを組み合わせた研究は1件のみ ▪ SCZと健常者の鑑別はハイリスク群との鑑別と比較し容易 Limitation
16. Conclusion MRI画像を用いてSCZ患者を診断する際に機械学習は有用である 今後SCZの早期診断や治療効果判定、予後予測に有用になると考えられる 将来的には臨床的な評価だけでなく機械学習の手法を用いた診断が必要となるだろう
17. 参考文献 ▪ 卓 興鋼，吉田 佳督，他：エビデンスに基づく医療（EBM）の実践ガイドライン システマティックレビューおよびメタアナリシスのための優先的報告項目（PRSMA 声明）．情報管理．2011；54（5）：254-266． ▪ Xiao Y, Yan Z, Zhao Y, et al. Support vector machine-based classification of first episode drug-naïve schizophrenia patients and healthy controls using structural MRI. Schizophr Res. 2017. doi:10.1016/j. schres.2017.11.037 ▪ Wang S, Zhan Y, Zhang Y, et al. Abnormal long- and short-range functional connectivity in adolescent-onset schizophrenia patients: a resting-state fMRI study. Prog Neuropsychopharmacol Biol Psychiatry. 2017;81:445–451. doi:10.1016/j.pnpbp.2017.08.012 ▪ 花川 隆：安静時機能結合MRI．MEDICAL IMAGING TECHNOLOGY．2016；Vol.34： 13-17．