脳腫瘍手術ガイダンスのための術中蛍光寿命イメージングにおけるデータ中心フレームワーク

要旨: 神経膠腫の浸潤の術中評価を正確に行うことは、機能的な脳組織を温存しつつ腫瘍切除を最大化するために不可欠です。蛍光寿命イメージング（FLIm）は、リアルタイムかつラベル非依存の生化学的コントラストを提供しますが、その臨床的有用性は、生物学的な不均一性、クラスの不均衡、そして病理組織学的ラベリングのばらつきによって課題を抱えています。本研究では、確信学習（CL）、クラスの洗練、および標的ラベル評価を統合したデータ中心型AI（DC-AI）フレームワークを提示し、膠芽腫（GBM）切除断端に対する頑健な多クラスFLIm分類器を構築します。FLImデータは、IDH-wildtype GBMの新規診断患者31名から得た192の組織断端を収集し、専門の神経病理医が腫瘍細胞密度の7つのクラスに初期ラベル付けしました。CLを適用してFLImの点レベルにおける信頼度を定量化し、ラベルの不整合を特定し、反復的なクラス統合を導いて「低（low）」「中（moderate）」「高（high）」の3クラス体系へと再編しました。その結果得られた高忠実度データセットにより、3クラス課題において96%の精度を達成するモデルを学習できました。SHAP解析により、クラスごとのFLIm特徴の重要度が明らかになり、浸潤スペクトル上で異なる光学的シグネチャが強調されました。標的FLIm解析はさらに、生物学的要因（例：灰白質の構成）および取得に関連する要因（例：血液混入）という、低い信頼度予測の要因を特定しました。CLによってフラグが立てられた断端の盲検での再評価では、病理医間のばらつきが示され、網羅的な見直しではなく選択的な再ラベリングの価値が強調されました。これらの知見により、DC-AIフレームワークがデータ信頼性を体系的に改善し、モデルの頑健性を高め、FLIm信号の生物学的解釈を洗練できることが示されます。これにより、リアルタイムな神経膠腫断端評価のための、臨床的に実行可能な光学ツールの開発が支援されます。