非侵襲的なMGMTプロモーターメチル化予測のための単峰性 vs. 多峰性深層学習:BraTS 2021データセットを用いた系統的評価
Unimodal vs. multimodal deep learning for non-invasive MGMT promoter methylation prediction in glioblastoma: A systematic evaluation on the BraTS 2021 dataset
悪性神経膠腫(GBM)は成人で最も攻撃的な原発性脳腫瘍であり、標準的な放射線療法とテモゾロミド(TMZ)化学療法下での生存期間中央値は14.6ヶ月である。MGMTプロモーターのメチル化状態はTMZ応答を予測する重要なバイオマーカーであるが、現在その決定には侵襲的な組織サンプリングが必要である。深層学習を用いた多重パラメトリックMRI(mpMRI)からのMGMTプロモーターメチル化の非侵襲的予測は魅力的な代替手段であるが、臨床的実現可能性は未解決のままである。BraTS 2021データセット(582人の患者、4つのMRIシーケンス:FLAIR、T1w、T1wCE、T2w)を使用し、VGG-16に基づく単峰性および多峰性深層学習アプローチの系統的比較研究を実施した。3つの画像平面、8つのスライス数、3つの多峰性融合戦略(早期、中間、後期融合)にわたる1,380の実験構成(単峰性:192、多峰性:1,188)を検討した。単峰性設定では、T2w冠状画像(32スライス、転移学習なし)で学習された最良のモデルは、検証セットで0.6458の精度と0.6422のAUCを達成したが、独立したテストセットでは0.5586と0.5533に低下し、限定的なデータセットサイズに起因する著しい過学習が明らかになった。驚くべきことに、多峰性融合は単峰性モデルを上回ることは一貫してなく、3つの融合戦略すべてが検証データで約0.64の精度と約0.64のAUCでプラトーに達した。転移学習は、ピークパフォーマンスの代償として、訓練/テスト分布全体での一般化を改善した。これらの発見は、本研究でテストされたフレームワークにおいて、mpMRIからのMGMTメチル化状態予測は、モダリティ組み合わせ戦略に関係なく、データセットの異質性とサイズによって根本的に制約されたままであり、T2w冠状取得が将来のデータ収集努力においてより興味深い可能性があることを示唆している。
本論文は、深層学習を用いたMRIからのMGMTプロモーターメチル化状態の非侵襲的予測について、単峰性vs多峰性アプローチを系統的に比較した研究である。しかし、最大でAUC 0.64程度と臨床実用にはほど遠い性能であり、データセットサイズと不均一性に根本的に制約されていることが明らかになった。現時点では投資判断に直結する具体的な成果や実用化の兆しは見られず、基礎研究段階の知見として位置づけられる。