心臓血管画像診断における人工知能の応用の進歩

人工知能（AI）は、人間の知能特性を備えたタスクを実行できるコンピューティングプログラムを指します。医療におけるAIの応用には、主にインテリジェントな診断と治療、画像認識、医薬品開発、医療用ロボットなどがあります[1]。データの増加と計算能力の向上により、医療分野における人工知能の応用と発展が促進されている[2]。 2020年、人工知能の研究は爆発的な成長を遂げ、心臓カラー超音波、心臓コンピューター断層撮影（CT）、心臓磁気共鳴画像（MRI）、心臓放射性核種イメージングなど、心臓血管医療画像のさまざまな分野に応用されています[3]。人工知能は、臨床医の意思決定を支援し、自動化の効率を高め、ワークフローを簡素化し、既存の機器の診断精度を高めることができます。著者は、心臓血管画像診断における人工知能の現在の研究状況をレビューします。

1 人工知能の概要

人工知能の概念は 1956 年に誕生し、コンピュータ サイエンスの一分野です。簡単に言えば、人工知能とは、機械が人間の意識や思考をシミュレートする能力を指します。入力データを学習することで、特定の目的やタスクを達成する能力があります。人工知能の中核となる要素は、データ、アルゴリズム、計算能力です。データは人工知能を実現するための基盤です。機械学習はデータの蓄積を通じてより正確な判断を下すことができます。さまざまなモデリング手法（アルゴリズム）を使用してさまざまなデータを処理します。これらの異なるモデリング方法に基づいて、人工知能アルゴリズムはニューラル ネットワーク アルゴリズムと従来の機械学習に分けられ、従来の機械学習はさらに強化学習、教師なし学習、半教師あり学習、教師あり学習に細分化されます。アルゴリズムは、機械式コンピュータが実行できる明確な命令のセットであり、アルゴリズムの有効性が人工知能の知能を決定します。人工知能データが増え、アルゴリズムが複雑になるほど、必要な計算能力も大きくなります。そのため、従来の人工知能は計算能力によって制約されており、チップは計算能力の中核です。計算能力の向上は科学技術の発展に依存しており、人工知能の発展の前提条件と保証でもあります。

社会生産性の向上に伴い、心血管疾患は世界で最も死亡率の高い疾患となった。中国でも心血管疾患の患者数が増加しており、大量のデータにより、心血管疾患の診断における人工知能の応用が促進されている。人工知能は診断と治療のワークフローを大幅に簡素化し、医師の診断のスピード、効率、正確性を向上させることができます。

[[416036]]

2 心臓血管画像診断における人工知能の応用

2.1 心臓超音波画像診断

心エコー検査における人工知能の応用はまだ比較的初期段階にありますが、現在は超音波画像の取得、認識、心臓機能の自動定量化、病気の自動評価などに使用されています。

超音波画像の取得は高度に専門的な技術ですが、いくつかの研究では、人工知能が心臓超音波画像の取得をガイドできることが報告されています。患者の身長、体重、性別がシステムに入力されている限り、人工知能はオペレータをガイドして最良の画像を取得できます。研究の結果、人工知能を通じて高品質の超音波画像を取得する確率は90％を超えており、他の臓器の画像取得にも新しいアイデアを提供しています[4]。正確な自動画像認識と分類は診断の基礎です。Khamisら[5]は、多段階分類アルゴリズムを使用して、尖端二腔像、尖端四腔像、尖端長軸像をそれぞれ97%、91%、97%の精度で識別し、平均認識率は95%でした。このアルゴリズムの時空間特徴抽出技術は、従来の空間処理方法よりも優れた、より高い認識精度を実現します。他の研究では、ディープピラミッドローカルアテンションニューラルネットワークセグメンテーション法の方がパフォーマンスが優れていることが示されています[6]。彼が提案したピラミッドローカルアテンションモジュールとラベル一貫性学習メカニズムは、単一ピクセル分類予測を行う際にコンテキスト特徴の取得が困難であることとラベルの一貫性がないという問題を解決します。

ジェノヴェーゼら[7]は、機械学習に基づいて右心室の大きさと機能の完全自動3次元定量化ソフトウェアを開発した。しかし、この研究では、患者の3分の2は正しい診断のために心内膜輪郭編集が必要であることが示された。この方法は、右心室容積の迅速な定量化のための有望なソリューションを提供しますが、心内膜境界の自動識別の問題を最適化する必要があります。さらに、左心房と左心室の容積を迅速に測定し、駆出と充満のパラメータを正確に分析するアルゴリズムもある[8]。現在、心エコー画像の品質を評価するために使用されている人工知能ツールは、心内膜境界輪郭指数が心尖四腔像の分類信頼性に影響を与えることを示唆している[9]。 2020年、超音波における人工知能に大きな進歩がありました。Ouyangら[10]は、ニューラルネットワークで時間情報と空間情報を組み合わせた特定のエコーネットワークダイナミックアルゴリズムを使用して、左心室を正確にセグメント化し、駆出率を推定し、心筋症を特定しました。このアルゴリズムは静止画像のセグメンテーションに限定されず、ビデオセグメンテーションに基づいており、高い診断精度と優れた再現性を備えており、将来的に心臓血管疾患のリアルタイムの正確な診断の実現に効果的なサポートを提供します。

医師は、患者の診断と治療の指針として、シンプルで実施しやすい心エコー検査に大きく依存しています。 AI ガイドによる心エコー画像取得技術はまださらなるテストが必要です。この技術が成熟するにつれて、AI は患者ケアの効率を向上させるでしょう。人工知能による心臓超音波のセグメンテーションと認識技術は比較的成熟していますが、右心室の大きさと機能の定量化にはまだ欠点があります。人工知能は、心臓超音波疾患における一般的で頻繁に発生する疾患の診断でより一般的に使用されており、将来的にはより多くの疾患の診断に適用されることが期待されています。

2.2 心臓MRI

心臓 MRI は、心血管疾患の非侵襲的評価に重要なツールです。心臓 MRI における人工知能の応用には、画像再構成、セグメンテーション、心血管疾患の診断、予後予測などがあります。

心臓 MRI の大きな欠点の 1 つは、スキャン時間が長いことです。過去 10 年間、MRI 画像の取得を高速化するために、並列イメージング、圧縮センシング、リアルタイム イメージングなどの方法が使用されてきました。これらの研究に基づいて、Qinら[11]は、従来の反復アルゴリズムに基づく時系列依存性を利用して、磁気共鳴イメージングの速度と精度を向上させました。単一ニューラルネットワークの機械学習は、画像セグメンテーションの一般的な方法です。2018年の国際左心房セグメンテーションチャレンジでは、2つのニューラルネットワークを使用した機械学習法が最良でした。ニューラルネットワークは、関心領域の自動ローカリゼーションと精緻な領域セグメンテーションの両方に使用されました。この方法のDice係数は93.2％で、従来の方法や単一ニューラルネットワークを含む機械学習法の結果よりも優れていました[12]。さらに、Guoら[13]は、深層畳み込みニューラルネットワークでは心臓MRI画像のセグメンテーションに大量のトレーニングデータセットが必要になるという問題に対処した。心臓血管構造と心臓欠陥の多様性は、複雑な先天性心疾患患者のセグメンテーションタスクにおける大きな障害です。この問題を解決するために、Duら[14]は、複数のタスクを統合するディープラーニングフレームワークを提案しました。この方法は、地域セグメンテーションとローカル情報からグローバル情報への集約を通じて、血液プールと心筋を同時に自動的にセグメンテーションできます。そのマルチターゲットセグメンテーションタスク能力は現在最高ですが、小さなターゲットのセグメンテーションにはまだいくつかの欠点があります。

人工知能は、画像のセグメンテーションを実行できるだけでなく、心室機能を自動的に評価することもできます。一部の研究では、人工知能の方法を使用して、両心室の自動定量分析を実行しています。この研究では、心室セグメンテーションと心室機能パラメータのタスクを 1 つのフレームワークに統合する新しいディープ共生ネットワークを設計しました。 4つのオープンCMRデータセットでの実験により、両心室の正確かつ自動的な定量化のための提案ネットワークの実現可能性と効率性が検証されました[15]。 Ruijsinkら[16]は、誤った出力アルゴリズムを検出することで品質管理を実現できる完全自動心臓磁気共鳴心機能解析フレームワークを開発した。実験結果によると、誤った出力を検出する感度は95%である。

病気の診断は、心臓 MRI における人工知能のもう 1 つの応用です。肺動脈性高血圧症は死亡率が高く、潜在性疾患である。Swiftら[17]は、肺動脈性高血圧症を自動的に診断するためのテンソルベースの心臓磁気共鳴機械学習法を開発した。この方法は、疾患の特徴を抽出することで10秒以内に正確な診断を下すことができる。予測分析は心血管疾患の臨床研究において重要な役割を果たしている。肺高血圧症患者の有害事象や生存期間を予測するための機械学習生存モデルを提案した研究者もいる。この研究は主に収縮運動パターンを特定することで生存予測を達成している[18]。さらに、患者が心不全を発症するかどうかも予測できる。

画像の解釈に加えて、画像再構成や後処理ワークフローなど、心臓 MRI の画像処理プロセスの多くの側面でも人工知能が使用されています。現在、AI アプローチと手動の心臓 MRI データ評価を比較する実験はありませんが、これは将来の研究分野になる可能性があります。さらに、人工知能は、MRI スキャナー、シーケンス、およびイメージング パラメータの違いによって生じるモデルの不安定性の問題も解決する必要があります。

2.3 心臓CT画像

人工知能の応用は、画像品質を最適化できるだけではありません。Wolterinkら[19]は、低線量CT画像がもたらすノイズの影響を排除するために、畳み込みニューラルネットワークと敵対的ニューラルネットワークを共同でトレーニングする方法を提案しました。また、画像を効率的にセグメント化することもできます。Baskaranら[20]は、エンドツーエンドで高速なピクセル単位のディープラーニング手法を使用して構造に注釈を付け、セグメント化速度は手動セグメント化の約271倍でした。したがって、人工知能は心臓コンピューター断層撮影血管造影（CCTA）において幅広い臨床応用の見通しを持っています。心臓 CT における AI の応用には、心血管画像のセグメンテーション、計算、認識、心血管疾患の診断、予後評価などがあります。

冠状動脈疾患患者の診断と治療は、プラークの形態と狭窄率と密接に関係しています。 Zreikら[21]は、3次元畳み込みニューラルネットワークを使用して冠動脈の中心線を分析し、冠動脈プラークと冠動脈狭窄の程度を検出および分類しました。この方法は高い診断精度を持っています。プラークの有無を正確に区別する能力により、患者の診断と治療の次のステップのための予備的な分類が可能になります。その後、Yangら[22]は血管狭窄とプラークの特徴と心筋虚血の関係とそれらが予後に与える影響をさらに研究した。結果は、最小内腔面積、動脈硬化容積の割合、線維脂肪および壊死核容積、プラーク容積、近位左冠動脈前下行枝病変およびリモデリング指数が、低分画血流予備量（FFR）を予測できることを示しました（AUC：0.797）。さらに、プラーク特性の正確な識別と、直径狭窄率および FFR を組み合わせることで、血管関連の複合結果のリスクをより正確に予測できます。

冠動脈カルシウムスコアは、心血管疾患の有害事象を独立して予測するために使用できる[23]。 Zeleznikら[24]は、冠動脈カルシウムを特徴量として用い、深層畳み込みニューラルネットワークを利用して心血管疾患リスクを予測した。ネットワーク計算結果は、手動検出結果と高い一致を示しただけでなく、高い再検査信頼性も示した。さらに、Al'Arefら[25]は、臨床因子と冠動脈カルシウムスコアを組み合わせて、冠動脈CT血管造影における閉塞性冠動脈疾患の存在を予測する機械学習モデルを開発した。結果は、この方法を使用した閉塞性冠動脈疾患の推定精度が9％向上し、患者管理に有益であることを示した。

CCTA ベースの冠血流予備量比 (CT-FFR) は、冠動脈病変の血行動態を評価するために使用できます。 Tangら[26]はCT-FFRにAIを適用し、病変特異的な虚血を自動的に検出した。この研究では、各血管の診断精度は0.91と高いことが示された。 AI はプロセスを簡素化し、計算時間を短縮するだけでなく、中間病変を診断する能力は冠動脈造影検査よりも優れています。さらに、一部の研究者はこれを他の非侵襲的な従来の画像検査と比較しました。従来のCCTA、SPECT、PETと比較して、CT-FFRは冠動脈特異的虚血の診断においてより高い精度を有する[27]。これに基づいて、フォン・クネベル・ドーベリッツら[28]は、CT-FFRとプラークマーカーを組み合わせることで、病変特異的な虚血の同定性能がさらに向上することを発見した。一方、AIベースのCT-FFRは、冠動脈疾患患者の診断と治療の決定、予後評価にも影響を与える[29]。 Patelら[30]は、臨床的に冠動脈疾患が疑われる患者において1年以内に発生する臨床イベントを観察し、臨床イベントの発生率は血流予備能率と負の相関関係にあることを発見した。 FFR を患者管理戦略に組み込むことで、FFR が陰性の患者のほとんどが侵襲的評価を回避できる可能性があります。

さらに、人工知能の最も重要な能力は、統合された情報を通じて人間が知らない特徴を発見することです。例えば、人工知能は血管周囲脂肪減衰指数が冠動脈の炎症と密接に関連していることを発見し[31]、また血管周囲脂肪減衰指数の全死因死亡率および心臓病死亡率の予後価値も研究しました。その後、オイコノモウら[32]は人工知能を用いた新しい方法を提案し、血管周囲脂肪減衰指数の変化が冠動脈疾患に伴う血管周囲構造リモデリングと関連していることを発見したが、その原因は炎症だけであった。

要約すると、人工知能は畳み込みニューラルネットワークを通じて画像の品質を最適化します。人工知能により、心臓の正確なセグメンテーションを確保しながら、セグメンテーション プロセスが大幅に高速化されます。さらに、人工知能は、冠動脈プラークの検出と分類、冠動脈狭窄の判定、血流予備能スコア、予後判定にも応用できます。注目すべきは、人工知能が血管周囲脂肪減衰指数という新しい画像バイオマーカーを発見できることであり、これは画像医療における人工知能の将来の発展に新たなアイデアを提供する。

2.4 心臓放射性核種イメージング

単光子放出コンピュータ断層撮影（SPECT）心筋灌流イメージングは​​、主に臨床診療において冠状動脈疾患の診断、リスク層別化、予後評価に使用され、左心室機能の評価も可能です。正確な画像セグメンテーションは左室機能を評価するための基礎となります。王ら[33]は、エンドツーエンドの完全畳み込みニューラルネットワークを使用して左室心筋をセグメント化し、その容積を測定することを提案した。実験結果によると、左室心筋容積の誤差は1.09％±3.66％であった。この技術は将来の疾患診断の基礎を築くものである。人工ニューラルネットワークをSPECT心筋灌流イメージングに適用することは、冠動脈疾患の診断に役立ちます。ネットワークの受信者動作特性曲線下面積を従来の負荷合計スコア、安静時合計スコア、および差分スコアと比較しました。結果は、人工知能ネットワークが優れた診断能力を持っていることを示しました[34]。機械学習法はSPECT画像診断後の早期血行再建を予測するためにも使用されており、各血管および各患者の予測精度は標準的な定量的方法や専門家の評価よりも優れている[35]。 Betancurら[36]は、閉塞性疾患を予測するために、半直立および仰臥位心筋灌流にディープラーニングを適用した。ディープラーニングのアプローチにより、半直立画像と仰向け画像を同時に分析し、血管ごとの疾患予測の精度と感度が向上します。 AIは複数画像の統合解析に応用できる可能性があり、将来的には、うつ伏せ画像と仰向け画像、あるいは減衰補正画像と非減衰補正画像の同時解析にまで拡張される可能性があります。アロンソら[37]は、心筋灌流シングル光子放出コンピュータ断層撮影と臨床データを共同で分析し、患者の心臓死のリスクを予測する機械学習モデルを開発した。この方法により、臨床医はリスクスコアリングの背後にある基本原理を理解でき、機械学習の「ブラックボックス」問題を解決できることは注目に値する。

さらに、画像減衰アーティファクトを低減するために、Betancurら[38]は、ディープラーニング法を用いて直立位と仰臥位の高効率SPECT心筋灌流画像データを組み合わせて閉塞性冠動脈疾患を予測することを提案した。この方法の予測感度は、従来の直立・仰臥位複合定量化法よりも約4%高くなっている。 Shiら[39]は、ディープラーニング法を用いてSPECT放出データから直接減衰マップを推定することで、単一光子放出コンピュータ断層撮影の精度を向上させる方法を提案した。この方法は、患者の動きによって引き起こされるSPECTとCTスキャン間のマッチングエラーのアーティファクトを排除します。

人工知能は、心臓放射性核種イメージングのあらゆる側面に適用され、主に心筋血液灌流、左心室機能、リスク層別化（心臓有害事象の予測など）を評価します。人工知能を使用すると、画像アーティファクトを減らし、診断の精度を向上させることができます。病気を正確に診断し、有害事象の発生を予測する点で、現在の標準的な検査方法や専門家の診断よりも優れています。しかし、将来的には、人工知能予測モデルを将来のデータに一般化し、特定の患者に対する予測を説明できるようにするという問題を解決することが依然として必要です。

臨床応用における人工知能の3つの課題

心臓血管領域における人工知能の研究は急速に進歩し、医療現場に革命的な変化をもたらしていますが、依然として早急に解決しなければならない問題がいくつかあります。 （１）人工知能による意思決定は効率的だが説明可能性に欠ける。現在、AIの説明可能性の問題は、医療画像の分野で研究されています。しかし、AI による説明可能な方法が信頼できるかどうかはまだ不明です。さまざまな主観的要因とモデルの複雑さが、AI解釈可能な方法の設計と評価に影響を与える。将来的には、AI技術分析の解釈可能性を比較評価するために、再現可能で標準化された研究方法を見つける必要がある[40]。 （２）近年の人工知能の急速な発展は、大規模なトレーニングデータセットと切り離せないものです。ビッグデータを通じて、人工知能は未知の状況にも十分に一般化することができます。しかし、希少疾患に関するデータは入手が困難であるため、小規模なサンプルサイズでアルゴリズムを学習し、改善する必要がある[41]。さらに、正確で信頼性が高く適切な臨床データセットを入手することも根本的な課題です。

人工知能は、ワークフローの改善から自動画像セグメンテーション、心血管疾患の診断、正確な心血管リスク予測まで、心臓画像診断でますます使用されています。将来的には、人工知能が大量の臨床および心臓病画像データを組み合わせて、精密医療を実現するでしょう。

著者全員は利益相反がないことを宣言します。

この研究は山西省衛生委員会の科学研究プロジェクト（2019149）によって資金提供されました。

参考文献（省略）

【Liu Yanan, Zhao Ruifeng. 心臓血管画像診断における人工知能の応用の進歩[J]. Magnetic Resonance Imaging, 2021, 12(7): 114-116, 124. DOI: 10.12015/issn.1674-8034.2021.07.027.】