Presentation Information
[WS1-1]Development and validation of computer-aided detection for colorectal neoplasms using deep learning incorporated with computed tomography colonography
Shungo Endo1, 永田 浩一2, 歌野 健一3, 野津 聡4, 安田 貴明5, 高林 健6, 平山 眞章7, 冨樫 一智1, 大平 弘正2 (1.Aizu Medical Center, Fukushima Medical University, 2.福島県立医科大学消化器内科, 3.福島県立医科大学会津医療センター放射線科, 4.埼玉県立がんセンター放射線科, 5.長崎県上五島病院放射線科, 6.斗南病院放射線科, 7.斗南病院消化器内科)
【目的】近年の画像診断にdeep learningを用いた人工知能（AI）アルゴリズムが広まりつつある。CT Colonography（大腸CT検査）は、大腸病変の診断に有用な手段として認識されているが、その診断に関して医師の負担は少なくない。本研究では大腸CT検査画像におけるAIアルゴリズムによる腫瘍性病変の検出感度を検討した。
【方法】過去の大腸CT検査の精度検証の2つの研究と、4つの施設から集積した同時期に大腸CT検査と大腸内視鏡検査を行った患者を対象とした。内視鏡所見の病変の位置と大きさを参照して、大腸CTでの検出感度を算出した。病変はすべて癌、または腺腫であった。CT検査の画像は1体位を1シリーズとして、仰臥位と腹臥位で得られた画像は2シリーズとして集計した。集積した画像と病変データは、AIの学習用・内部検証用453名（843シリーズ）と外部検証用137名（274シリーズ）のデータセットを含む大規模データベースを作成した。本研究では、高速なR-CNNsをベースに設計したニューラルネットワークを用いた。病変は6mm以上、6～10mm、10mm以上に分けて、FROC（free-response receiver operating characteristic）解析を用いて感度を求め、感度比較はMcNemar検定を用いた。
【結果】感度に関する記載は1画像当たりの偽陽性3個の場合の感度を記載した。内部検証では、1体位での病変の感度はそれぞれ6mm以上：0.815、6～10mm：0.738、10mm以上：0.883であった。2施設から得られた外部検証データでは、1体位毎の各病変カテゴリーにおいて、それぞれ0.704、0.575、0.760と0.705、0.571、0.777という結果であった。外部検証データを用いて2つの体位を組み合わせて感度を算出すると、背臥位、あるいは腹臥位での感度と比較して、有意に高値であった。
【結論】大腸CT検査のAIを用いた画像診断において、2つの体位を統合・解析することで、感度は向上した。本研究で用いたdeep learningを用いたAIアルゴリズムは、トレーニング用データを増やすことで、より高い検出感度を実現できる可能性がある。今後は放射線科医の読影とAIによる補助診断を組み合わせた精度検証を行うことで、大腸CT検査読影の負担軽減が可能になると考える。
【方法】過去の大腸CT検査の精度検証の2つの研究と、4つの施設から集積した同時期に大腸CT検査と大腸内視鏡検査を行った患者を対象とした。内視鏡所見の病変の位置と大きさを参照して、大腸CTでの検出感度を算出した。病変はすべて癌、または腺腫であった。CT検査の画像は1体位を1シリーズとして、仰臥位と腹臥位で得られた画像は2シリーズとして集計した。集積した画像と病変データは、AIの学習用・内部検証用453名（843シリーズ）と外部検証用137名（274シリーズ）のデータセットを含む大規模データベースを作成した。本研究では、高速なR-CNNsをベースに設計したニューラルネットワークを用いた。病変は6mm以上、6～10mm、10mm以上に分けて、FROC（free-response receiver operating characteristic）解析を用いて感度を求め、感度比較はMcNemar検定を用いた。
【結果】感度に関する記載は1画像当たりの偽陽性3個の場合の感度を記載した。内部検証では、1体位での病変の感度はそれぞれ6mm以上：0.815、6～10mm：0.738、10mm以上：0.883であった。2施設から得られた外部検証データでは、1体位毎の各病変カテゴリーにおいて、それぞれ0.704、0.575、0.760と0.705、0.571、0.777という結果であった。外部検証データを用いて2つの体位を組み合わせて感度を算出すると、背臥位、あるいは腹臥位での感度と比較して、有意に高値であった。
【結論】大腸CT検査のAIを用いた画像診断において、2つの体位を統合・解析することで、感度は向上した。本研究で用いたdeep learningを用いたAIアルゴリズムは、トレーニング用データを増やすことで、より高い検出感度を実現できる可能性がある。今後は放射線科医の読影とAIによる補助診断を組み合わせた精度検証を行うことで、大腸CT検査読影の負担軽減が可能になると考える。