Opera試験での深い学習を伴う多発性硬化症の病変セグメンテーションを抑制し、コントラストを促進する共同MRI T1

バックグラウンドディープラーニングベースのセグメンテーションは、迅速かつ再現可能なT1病変負荷評価を促進する可能性があります。これは、多発性硬化症（MS）の疾患管理に不可欠です。T1 MSの耐節度と造影病変は、T1加重MRIでガドリニウムベースの造影剤を投与した後に増強または増強しない病変です。T1の耐え難とコントラストを向上させる病変の自動評価のための深い学習モデルを開発する目的。共同トレーニングがパフォーマンスを改善したかどうかを調査するため。既知のオクレリズマブ治療反応を再現する。また、ベースラインT1強調イメージングメトリックと再発MS臨床試験における臨床結果との関連を評価する。材料と方法共同および個々のディープラーニングモデル（U-NET）は、再発MSの大規模なマルチセンターオペラトライアルのマルチモーダルMRIデータセットで遡及的に開発されました（2011年8月から2015年5月）。共同モデルには、ネットワーククロス接続と組み合わせの損失関数が含まれていました。モデルは、3倍の交差検証でオペラIデータセットでトレーニングされました。Opera IIのデータセットは、内部テストセットでした。サイコロ係数、病変の真の陽性および偽陽性速度、および受信機動作特性曲線（AUCS）の下の領域を使用して、モデルのパフォーマンスを評価しました。ベースラインイメージングメトリックと臨床結果との関連は、COX比例ハザードモデルで評価されました。結果Opera II試験の合計796人の患者（3030人の訪問、平均年齢、37歳±9歳、女性521人）が評価されました。関節モデルは、0.77および0.74の平均DICE係数、0.88および0.86の病変の真陽性率、およびT1コントラスト強化とT1の及ぼす病変セグメンテーションでそれぞれ0.04および0.19の病変間陽性率を達成しました。共同トレーニングにより、より小さなT1コントラスト増強病変のパフォーマンスが向上しました（≤0.06mL;個々のトレーニングAUC：0.75;共同トレーニングAUC：0.87; P <.001）。有意なオクレリズマブ治療効果（p <.001）は、24、48、および96週間のT1コントラスト増強病変の平均数を減らす際に見られました（24週間での手動評価：オクレリズマブ患者366人の病変、141の病変の病変が10件の病変で、インターフェロンの患者、93％の患者。48週間の手動評価：オクレリズマブの355人の病変、インターフェロン患者317人の病変、96％の患者の手動評価：オクレリズマブ患者340人、157人インターフェロンの294人の患者の病変、24週間の関節モデル評価：オクレリズマブ患者365人の病変、インターフェロン患者354人の病変、48週間のジョイントモデル評価。オクレリズマブ、インターフェロンの317人の患者の病変、96週間の関節モデル評価：オクレリズマブ患者340人の病変、インターフェロン患者294人の病変、94％減少）および新しいT1アンハンシングの平均数すべてのフォローアップ検査における病変（手動評価：オクレリズマブ治療患者の1060人の訪問で504人の病変、インターフェロン治療患者の965人の訪問で1438人の病変、68％の減少。共同モデルの評価：オクレリズマブ治療患者の1053件の訪問で205人の病変、インターフェロン治療患者の957人の訪問で661人の病変、78％の減少）。ベースラインT1膨張総病変量は臨床結果と関連していた（手動ハザード比[HR]：1.12、p = .02;ジョイントモデルHR：1.11、p = .03）。結論共同アーキテクチャとトレーニングMRI T1コントラストを増やす多発性硬化症病変のセグメンテーションが改善され、両方の深い学習モデルは、手動評価と一致するオクレリズマブ治療反応を検出するのに十分なパフォーマンスがありました。ClinicalTrials.gov：NCT01247324およびNCT01412333©rsna、2021オンライン補足資料は、この記事で入手できます。この号のタルボットによる社説も参照してください。

Background Deep learning-based segmentation could facilitate rapid and reproducible T1 lesion load assessments, which is crucial for disease management in multiple sclerosis (MS). T1 unenhancing and contrast-enhancing lesions in MS are those that enhance or do not enhance after administration of a gadolinium-based contrast agent at T1-weighted MRI. Purpose To develop deep learning models for automated assessment of T1 unenhancing and contrast-enhancing lesions; to investigate if joint training improved performance; to reproduce a known ocrelizumab treatment response; and to evaluate the association of baseline T1-weighted imaging metrics with clinical outcomes in relapsing MS clinical trials. Materials and Methods Joint and individual deep learning models (U-Nets) were developed retrospectively on multimodal MRI data sets from large multicenter OPERA trials of relapsing MS (August 2011 to May 2015). The joint model included cross-network connections and a combined loss function. Models were trained on OPERA I data sets with three-fold cross-validation. OPERA II data sets were the internal test set. Dice coefficients, lesion true-positive and false-positive rates, and areas under the receiver operating characteristic curve (AUCs) were used to evaluate model performance. Association of baseline imaging metrics with clinical outcomes was assessed with Cox proportional hazards models. Results A total of 796 patients (3030 visits; mean age, 37 years ± 9; 521 women) from the OPERA II trial were evaluated. The joint model achieved a mean Dice coefficient of 0.77 and 0.74, lesion true-positive rate of 0.88 and 0.86, and lesion false-positive rate of 0.04 and 0.19 for T1 contrast-enhancing and T1 unenhancing lesion segmentation, respectively. Joint training improved performance for smaller T1 contrast-enhancing lesions (≤0.06 mL; individual training AUC: 0.75; joint training AUC: 0.87; P < .001). A significant ocrelizumab treatment effect (P < .001) was seen in reducing the mean number of T1 contrast-enhancing lesions at 24, 48, and 96 weeks (manual assessment at 24 weeks: 10 lesions in 366 patients with ocrelizumab, 141 lesions in 355 patients with interferon, 93% reduction; manual assessment at 48 weeks: six lesions in 355 patients with ocrelizumab, 150 lesions in 317 patients with interferon, 96% reduction; manual assessment at 96 weeks: five lesions in 340 patients with ocrelizumab, 157 lesions in 294 patients with interferon, 97% reduction; joint model assessment at 24 weeks: 19 lesions in 365 patients with ocrelizumab, 128 lesions in 354 patients with interferon, 86% reduction; joint model assessment at 48 weeks: 14 lesions in 355 patients with ocrelizumab, 121 lesions in 317 patients with interferon, 90% reduction; joint model assessment at 96 weeks: 10 lesions in 340 patients with ocrelizumab, 144 lesions in 294 patients with interferon, 94% reduction) and the mean number of new T1 unenhancing lesions across all follow-up examinations (manual assessment: 504 lesions in 1060 visits for ocrelizumab-treated patients, 1438 lesions in 965 visits for interferon-treated patients, 68% reduction; joint model assessment: 205 lesions in 1053 visits for ocrelizumab-treated patients, 661 lesions in 957 visits for interferon-treated patients, 78% reduction). Baseline T1 unenhancing total lesion volume was associated with clinical outcomes (manual hazard ratio [HR]: 1.12, P = .02; joint model HR: 1.11, P = .03). Conclusion Joint architecture and training improved segmentation of MRI T1 contrast-enhancing multiple sclerosis lesions, and both deep learning models had sufficiently high performance to detect an ocrelizumab treatment response consistent with manual assessments. ClinicalTrials.gov: NCT01247324 and NCT01412333 © RSNA, 2021 Online supplemental material is available for this article. See also the editorial by Talbott in this issue.