Deep Learningと胃Ｘ線画像を用いた<i>Helicobacter pylori</i> 感染診断

DOI Web Site
  • 重松 綾
    医療法人社団 こころとからだの元氣プラザ 放射線科
  • 中島 寛隆
    公益財団法人 早期胃癌検診協会
  • 八巻 悟郎
    医療法人社団 こころとからだの元氣プラザ 消化器内科

書誌事項

タイトル別名
  • Deep Learning diagnosis of <i>Helicobacter pylori</i> infection using gastric X-ray images
  • Deep Learningと胃X線画像を用いたHelicobacter pylori感染診断
  • Deep Learning ト イ X センガゾウ オ モチイタ Helicobacter pylori カンセン シンダン

この論文をさがす

説明

<p>目的:胃癌の危険因子であるHelicobacter pylori(以下H.pylori)感染胃炎は, 血清抗体などによる診断だけでなく, 胃Ｘ線二重造影像での画像診断も確立されている。Ｘ線画像による診断は, 粘膜像の異常やヒダの腫大といった所見からH.pylori現感染と未感染を鑑別する方法である。一方で近年は, 機械学習の進歩を背景として, 医療用画像にDeep Learningを導入する研究が報告されている。Deep Learningは脳の神経細胞を模倣した機械学習法で, 画像認識や音声認識に優れている。本研究の目的は, Deep Learningを用いてＸ線画像によるH.pylori感染診断を自動化することである。</p><p>方法:胃Ｘ線検査と血清H.pylori抗体検査を同日に実施した100名を登録した。H.pylori感染のゴールドスタンダードは血清抗体値とした。抗体値3U/ml未満をH.pylori陰性(50名), 10U/ml以上をH.pylori陽性(50名)とした。登録した100名のうち70名(H.pylori陽性35名)の画像を「学習用群」, 30名(H.pylori陽性15名)の画像を「テスト群」とし, それぞれをDeep Learningの学習と診断能の評価に使用した。各群のH.pylori陽性者と陰性者は同数である。Deep LearningのモデルはALEXNETを使用した。診断精度の評価は受信者動作特性曲線(Receiver operating characteristic curve 以下ROC曲線)を用いた。</p><p>結果:ROC曲線から感度86.7％, 特異度91.7％の診断結果が得られ, Area under the curve(以下AUC)は0.921であった。</p><p>考察:結果からDeep Learningを用いた胃Ｘ線画像によるH.pylori感染診断は可能であると考えられ, Ｘ線画像による客観的な胃がんリスク判定と, 局所診断の読影補助に有用となることが示唆された。</p>

収録刊行物

キーワード

詳細情報 詳細情報について

問題の指摘

ページトップへ