名古屋市立大学研究生院医学研究科的山田茂树讲师与滋贺医科大学、东京大学、大阪大学、东京都立大学、日本东北大学、山形大学和富士胶片的研究人员组成的团队宣布，成功开发出了一项AI技术，能够从脑部三维核磁共振成像（MRI）图像中提取出特发性正常压力脑积水（iNPH）病症的重要诊断依据——蛛网膜下腔不成比例扩大的脑积水（DESH），并能够提供提取区域的依据。该研究有望提高iNPH诊断的准确性。相关研究成果已于3月15日发表在国际学术期刊《Frontiers in Aging Neuroscience》上。
本次开发的AI技术能够自动从图像中提取DESH、脑室扩大、THC、SFD表现的四个特征，用于诊断iNPH（供图：名古屋市立大学医院）
iNPH是随着年龄增高而发病率增加的由慢性颅内脑脊液潴留导致的脑积水，临床表现通常为步态障碍、认知障碍和尿失禁。伴随病情的进展，患者的日常生活质量将受到严重影响，需要持续护理。由于该病的病情一旦加重就很难恢复，因此尽早发现尽早治疗至关重要。
iNPH表现为脑室和覆盖于大脑周围的蛛网膜下腔同时扩大，由此常被误诊为脑萎缩，导致病情发现不及时。
此前日本的研究人员报告了在iNPH中会同时发生THC（大脑凸面脑沟和中央沟狭窄）和SFD（侧裂池和基底池增宽），并将这种表现命名为DESH。DESH成为了识别iNPH和脑萎缩的重要影像学表现。尽管此后iNPH的诊断率有所提高，但DESH的判断一直存在主观评价的问题，甚至专家间的判断也存在差异。
为解决这一问题，研究团队首先开发了一种能够从三维MRI图像中自动提取判断DESH所需的4个颅内区域（脑脊液腔、脑室、大脑凸面脑沟和中央沟、侧裂池和基底池）的AI技术。
研究人员对年龄21岁至92岁的138名健康受试者和43名诊断为iNPH的患者进行了头部三维T1加权MRI和T2加权MRI检查。随后利用富士胶片的云端AI技术开发支持服务SYNAPSE Creative Space，从图像中分别高效提取出了脑室和蛛网膜下腔。此外，还从蛛网膜下腔中手动提取了THC和SFD的两个区域。这四个区域的数据被用于AI的深度学习，研究人员合计准备了160人的三维T1加权MRI图像和180人的三维T2加权MRI图像。
研究人员使用3DU-Net进行基于语义分割（Semantic Segmentation）的区域提取深度学习，并将学习推进到可进行区域提取的最大精度。
接下来，利用卷积神经网络（CNN）进行基于图像分类（Image Classification）的深度学习，从而开发出了可以自动地根据脑脊液腔图像判断是否存在DESH，根据脑室图像判断是否存在脑室扩大，根据大脑凸面脑沟和中央沟图像判断是否存在THC，根据侧裂池和基底池图像判断是否存在SFD的AI技术。
研究人员还提出了三个指标来量化这些判断，分别是DESH index、Venthi index和Sylihi index，同时证实了DESH的严重程度和特征可以数值化。
山田讲师表示：“为了辨别iNPH和由阿尔茨海默病引起的脑萎缩，我们开发出了可以从MRI图像中自动提取判断DESH表现所需的脑室、大脑凸面脑沟和中央沟、侧裂池和基底池三个区域的AI技术。我们将该AI技术搭载到富士胶片销售的三维工作站SYNAPSE VINCENT的“脑脊液腔分析”应用程序中，并获得了医疗器械审批。该应用程序的发布与论文发表同步进行，现在一线的医务人员已经可以使用。从MRI图像中提取这三个区域，即使是熟悉这项工作的我在单个病人的图像上平均也要花费2～3个小时，而这款应用只需要2～3秒就可以提取完成。此外，过去的一些研究设计了很多用于客观评价DESH的二维指标，而利用这款应用自动提取的区域体积数据，我们可以立即用AI测算出高精度的三维指标，这与传统的二维指标截然不同。”
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
杂志：Frontiers in Aging Neuroscience
论文：Automatic assessment of disproportionately enlarged subarachnoid-space hydrocephalus from 3D MRI using two deep learning models
DOI：10.3389/fnagi.2024.1362637
