患者66例を対象に、入院翌日取得した4つのMRI（ADC、DWI、FLAIR）と臨床情報を組み合わせたモデルは、単独の臨床変数に比べてROC曲線下面（AUC）を0.049ポイント上昇させた（0.948±0.061）。最も寄与したMRIはFLAIRで、臨床変数とADC由来の病変バイオマーカーと合わせると最も高い識別力を示した。 モデルは3次元事前学習ResNet埋め込みを各MRIから抽出し、フォールド隔離主成分分析でほぼ無次元削減した後、線形サポートベクターマシンと組み合わせた。評価は患者単位の8分割層化グループ交差検証で行い、AUC、精度（accuracy）、F1スコアを平均±標準偏差で報告した。 臨床のみのモデルはAUC0.899±0.151で最も高い値を示したが、画像単独のモデルはAUC0.67〜0.73と限定的だった。FLAIR＋臨床＋ADC病変バイオマーカーの組み合わせが最高AUC0.948±0.061を達成し、他の多重組合や全3種融合（ADC-DWI-FLAIR）は臨床単一モダリティを上回らなかった。 図1（テーブル1）ではFLAIR＋臨床＋ADCの設定が検証AUC0.948±0.061、精度0.802±0.093、F1 0.732±0.175を示し、臨床のみと比較して0.049ポイントの向上を示している。 この研究はデータ数が少なく、スキャナーや取得方法の多様性があるため、外部検証が必要であることを指摘している。臨床情報の重要性は依然として高く、画像情報は統計的に有意に補完的な価値を提供するが、実用化にはさらなる集団での検証が不可欠である。