畳み込みニューラルネットワークを使用して、プレーンスカルX線撮影でモヤモヤ病を検出するための機械学習

背景：最近、MMD患者のヘッドの形態学的な違いに焦点を当てることにより、Moyamoya病（MMD）を特定するための革新的な試みがなされました。ディープラーニング（DL）アルゴリズムの開発における最近の革命に続いて、この研究を設計して、DLがプレーンスカルレントゲン写真のMMDを区別できるかどうかを判断しました。 方法：18から50歳の患者からMMD標識データセットとして、明確なMMDを持つ345の頭蓋骨画像がMMD標識データセットとして収集されました。コントロール標識データセットとして、外傷患者の408頭の頭蓋骨画像が年齢と性のマッチングによって選択されました。スカル画像は、順列を使用して7：3の比率でトレーニングおよびテストデータセットに分割されました。合計6つの畳み込み層が設計および訓練されました。受信機の動作特性（AUROC）曲線下の精度と面積は、分類器のパフォーマンスとして評価されました。注意の領域を特定するために、グラデーション加重クラスの活性化マッピングが適用されました。別の病院からの新しいデータセットで外部検証が実行されました。 調査結果：施設のテストセットについて、分類器は真のラベルを84・1％の精度で予測しました。感度と特異性は両方とも0.84でした。Aurocは0・91でした。MMDは、ほとんどの場合、下面への注意によって予測されました。外部検証データセットの全体的な精度は75.9％でした。 解釈：DLは、特定の年齢内のMMDケースを、かなりの精度とAUROCで、プレーンスカルレントゲン写真のコントロールと区別できます。内臓分泌物は、MMD関連の頭蓋骨の特徴に役割を果たす可能性があります。ファンド：この作業はグラント番号によってサポートされていました。18-2018-029ソウル国立大学バンダン病院研究基金から。

BACKGROUND: Recently, innovative attempts have been made to identify moyamoya disease (MMD) by focusing on the morphological differences in the head of MMD patients. Following the recent revolution in the development of deep learning (DL) algorithms, we designed this study to determine whether DL can distinguish MMD in plain skull radiograph images. METHODS: Three hundred forty-five skull images were collected as an MMD-labeled dataset from patients aged 18 to 50 years with definite MMD. As a control-labeled data set, 408 skull images of trauma patients were selected by age and sex matching. Skull images were partitioned into training and test datasets at a 7:3 ratio using permutation. A total of six convolution layers were designed and trained. The accuracy and area under the receiver operating characteristic (AUROC) curve were evaluated as classifier performance. To identify areas of attention, gradient-weighted class activation mapping was applied. External validation was performed with a new dataset from another hospital. FINDINGS: For the institutional test set, the classifier predicted the true label with 84·1% accuracy. Sensitivity and specificity were both 0·84. AUROC was 0·91. MMD was predicted by attention to the lower face in most cases. Overall accuracy for external validation data set was 75·9%. INTERPRETATION: DL can distinguish MMD cases within specific ages from controls in plain skull radiograph images with considerable accuracy and AUROC. The viscerocranium may play a role in MMD-related skull features. FUND: This work was supported by grant no. 18-2018-029 from the Seoul National University Bundang Hospital Research Fund.