1. 患者からのデータの取得：令和6年度までに，71名の患者から採取した131検体の子宮筋腫について「1-1）各 MRI シーケンスにおける個々の筋腫検体の画像情報の取得」と「1-2）子宮筋腫検体からの MED12変異・組織構成等の情報の取得」を行った。
2. 子宮筋腫サブタイプの診断・組織構成を予測する予測器の確立：令和4年度には，上記のうち71検体のデータを照合し，「2-1）筋腫サブタイプ・組織構成を判別可能な MRI シーケンスの特定」を行い，有効な5つのMRIシーケンスを同定した。「2-2）機械学習による筋腫サブタイプ・組織構成の予測器の作製」において，筋腫サブタイプの予測器は開発スケジュールを前倒して令和4年度中に確立された。同定した5つのシーケンスのシグナルデータを基に，機械学習としてサポートベクター分類およびロジスティック回帰を用いて，19検体を用いた最終評価（「2-3）作製した予測器の検証・評価」）により，精度100％でサブタイプを判別できる予測器が確立された。一方，組織構成（膠原線維量）を予測する予測器については，令和5年度に，上記71検体を用い，サポートベクター回帰および線形回帰を機械学習の手法として，様々な条件での交差検証を検討した。その結果，5つのシーケンスにサブタイプの予測データを追加することで予測精度が向上した。最終評価（「2-3）作製した予測器の検証・評価」）として19検体をテストデータとして，決定係数R²を指標として予測精度を評価したところ，サポートベクター回帰でR²＝0.645，線形回帰でR²＝0.675であり，一般に有用と判断されるR²≧0.5を超えた高精度な予測器が確立された。
3．確立した予測器の臨床応用：「3-1）予測器による薬剤等の治療効果の推定」については，GnRHa投与前後にMRIを撮影して，膠原線維量の予測結果と腫瘤の縮小率を照合し，薬物療法後の腫瘤の縮小率を予測する方法を検討した。令和6年度までに，20名の患者から採取した41検体を用いて予測膠原線維量とGnRHaの治療効果における相関関係を調べた。その結果，サポートベクター回帰で相関係数R＝-0.72，線形回帰でR＝-0.70となり，確立した機械学習モデルによる予測した膠原線維量から腫瘤の縮小率を予測する方法が確立された。