フォンタン患者レジストリにおける不良転帰と関連するクラスタを同定するための血管セグメンテーションと流速解析の深層学習

小児の心臓内血流を調べる重要性

一つしか機能する心室を持って生まれた子どもは、生存のためにフォンタン手術という複雑な外科処置を受けることが多くあります。これらの患者は何年も安定して見えることがありますが、のちに心臓や肝臓に重大な問題を発症する例もあります。医師たちは心臓や血管を心拍に合わせて時間経過でとらえた詳細なMRI撮影を既に収集していますが、その豊富な動的データの多くは活用されていません。本研究は、最新の人工知能技術がその隠れた情報を大規模に引き出し、長期的な健康状態の良し悪しに結びつく血流パターンを明らかにできることを示します。

何千件もの検査を解析可能なデータに変える

研究者らはFORCEレジストリを用いました。これはフォンタン循環を持つ3,000人以上の心臓MRI検査を集めた大規模な国際コレクションです。各検査には、主要な血管を心拍ごとにどれだけ速く血流が流れるかを追う特殊な動画が含まれます。これらの検査から学習するには、まず各フレームで血管を輪郭抽出し、時間に沿った流速を測定する必要がありましたが、これは専門家が手作業で行えば通算で1年分の継続作業に相当する煩雑さです。代わりに研究チームは、どの血管が写っているかを識別しつつ、大動脈と肺に出入りする4本の主要な静脈・動脈の計5つの経路について自動的に血管境界を描ける深層学習モデルを構築しました。

賢いセグメンテーションシステムの仕組み

システムの中核は、各動画を短い3次元ブロック（2つの空間次元と時間）として解析するニューラルネットワークです。解剖学を示す信号と、動く血液を強調する信号の2種類を入力とし、専門家が手で血管を描いた260件の検査データで学習しています。モデルは単に構造を輪郭化するだけでなく、撮像時にオペレータが入力した情報も利用して血管の種類を識別することを学びます。この分類とセグメンテーションを組み合わせた設計により、モデルは人手のトレーシングと非常に高い一致度を示し、フォンタン患者でよく見られるねじれや解剖学的ばらつきがある場合でもほとんどのテストケースで正しく血管種類を特定しました。

国際レジストリ全体へスケールアップ

妥当性確認後、モデルは自動化されたクラウドパイプラインに組み込まれ、4,500件以上のレジストリ検査に投入されました。各スキャンについて、流速動画を抽出し、5つの対象血管をセグメント化し、心拍ごとの流速対時間曲線を生成しました—すべて人手を介さずに行われました。後に専門家がこれらの結果を確認したところ、5本の血管がそろっている場合は約90％のセグメンテーションが臨床利用に十分な品質であると判定されました。重複静脈など特に特殊な解剖を持つ患者では性能がやや低下しましたが、それでも大量でかつこれまで得られなかった、整った時間変化する血流測定データセットを提供しました。

転帰と結びつく隠れた血流タイプの発見

何千もの流速曲線を得た後、チームの二つ目の深層学習モデルは、時間に沿った血流の動きだけに基づいて自然な患者群のまとまりを探しました。このモデルは肺動脈または大静脈の一対の曲線をそれぞれコンパクトな内部表現に圧縮し、患者を異なる流動“フェノタイプ”にクラスタリングしました。ある群はバランスが取れた正常な流れを示し、別の群は全体の流量低下や片方の肺への優位な流れ、あるいは心拍の弛緩相に偏った流れなどを示しました。研究者らは患者を追跡し、特定の血流パターンが年齢や心機能などの標準的な指標を考慮した後でも、死亡、心臓移植、肝疾患のリスク上昇と関連していることを発見しました。

将来のケアに向けた示唆

簡潔に言えば、本研究はフォンタン循環における血流の流れ方――どの血管により多くあるいはより少なく流れるか、心拍のどの時点で起きるか――が、重篤な合併症に直面しやすい患者を見分ける重要な手がかりを含んでいることを示します。著者らは、人工知能が大量の生のMRI動画アーカイブを手作業のトレーシングや手作りのルールなしに有意義な流量プロファイルとリスク群へと変換できることを示しました。将来的には、このようなシステムが子どものMRI後に自動的に動作して、高リスク群に類似した流れを示す患者をフラグし、追跡検査や追加検査、外科的計画の調整に役立てられる可能性があります。フォンタン患者に限らず、同じ手法は他の心疾患や動態追跡撮像、または日常的に収集されているECGのような信号にも応用でき、病院が既に保有しているが深く活用されていない情報をより有効に使えるようになります。

引用: Yao, T., Clair, N.S., Gong, M. et al. Deep learning for vessel segmentation and flow analysis to identify clusters associated with adverse outcomes in a fontan patient registry. Sci Rep 16, 11956 (2026). https://doi.org/10.1038/s41598-026-40738-6

キーワード: フォンタン循環, 心臓MRI, 深層学習, 血流パターン, 患者リスク層別化