幾何学的ディープラーニングによる左心室の心筋伝導の迅速予測：心臓再同期療法計画への一歩

苦しむ心臓にとってタイミングが重要な理由

重度の心不全を抱える多くの人にとって、体内に埋め込まれた装置からの微細な電気刺激が心臓の主要な駆出室をより調和して収縮させる助けになります。この治療は心臓再同期療法と呼ばれ、症状を和らげ寿命を延ばすことができます。しかしおよそ3人に1人はほとんど効果を得られず、その多くは左心側のペーシングワイヤを最適な位置に配置できないことが原因です。本研究は、最先端の人工知能で駆動されるコンピュータモデルが左心室内の電気の広がりを迅速に予測し、各患者に合わせたペーシング位置の選定を支援できるかを探ります。

遅いシミュレーションから瞬時の予測へ

現在最も精度の高い心臓の計算モデルは、電気信号が心筋内を伝わる様子を模倣する複雑な方程式に依存しています。詳細である反面、これらのシミュレーションは高性能な計算機でも実行に数分を要することがあり、医療手技中に日常的に使うには遅すぎます。著者らは、こうした重いシミュレーションから学習し、その結果をほぼ瞬時に再現できる高速な「代理（サロゲート）モデル」を構築することを目指しました。対象は心臓の主要な駆出室である左心室と、心拍中に心室の各領域が電気的に活性化される速さを示す「活性化時間マップ」の予測です。

心臓の形の言語をAIに教える

人それぞれ心臓の形はわずかに異なり、これらの違いが電気波の伝播に影響します。すべての心臓を硬直した格子に押し込む代わりに、研究者らは不規則な形状を直接扱える幾何学的ディープラーニングという手法群を採用しました。彼らは2つの関連手法を開発・比較しました。1つはグラフニューラルネットワークに基づき、左心室をメッシュのようにつながった点の集合として扱います。もう1つはジオメトリ情報を取り入れたニューラルオペレーターと呼ばれる手法で、不規則な形状をまず内部の規則グリッドに符号化し処理してから元の解剖に戻します。両モデルは心臓の三次元形状、刺激される位置、組織の電気伝導性を入力として受け取り、筋壁を通る活性化の広がりを予測します。

仮想の心臓集団の構築

三次元の完全な活性化マップを伴う多数の実患者データは稀であるため、チームは独自の仮想データセットを生成しました。彼らは健康な心臓から病的な心臓までを網羅する75の実際の左心室形状を出発点とし、統計的形状モデルを用いて35,000の合成変異体を作成しました。それぞれに現実的な筋線維方向を割り当て、1か所または2か所のペーシング部位を選び、組織の伝導性を幅広く変動させました。詳細な物理ベースのシミュレーションにより、これら仮想心臓のすべてについて活性化時間マップが作成され、ディープラーニングモデルの訓練と試験に用いられました。モデルは高解像度メッシュや、合成訓練セットを超える一般化能力を評価するために、2つの独立した臨床コホートから得られた左心室形状でも試験されました。

モデルの性能はどの程度だったか？

訓練に用いた合成心臓に類似したケースでは、両モデルとも小さな誤差で活性化マップを予測しましたが、ジオメトリ情報を取り入れたニューラルオペレーターの方がグラフニューラルネットワークの約2倍の精度を示しました。実世界の心臓形状に移行すると、両モデルとも誤差が増加し性能はほぼ同等になりました。これは主要な制約がアルゴリズムの性能自体ではなく、単純化された訓練形状と実患者の解剖学的複雑さの間にあるギャップであることを示しています。それでも、モデルはミリ秒単位で予測を行え、従来のシミュレーションにおよそ10分かかるのに比べ非常に高速であり、多数の候補ペーシング部位を探索するような何千回もの繰り返し評価が必要なタスクに適しています。

仮想計画ツールの試験

次にチームは、訓練済みモデルを再同期療法の概念実証的な計画ワークフローに組み込みました。左心室形状と臨床計測を模したノイズを含む活性化マップを出発点として、ワークフローはまず逆問題を解いて患者の本来的なペーシング部位と組織伝導性を推定しました。次に全体の活性化時間を最小化する第二のペーシング位置を心室表面上で探索しました。活性化時間は先行研究で治療反応の改善に関連付けられています。両ディープラーニングモデルは、ノイズを含むデータから被験者固有の重要なパラメータを回復し、活性化時間を大幅に短縮するペーシング部位を提案でき、いずれも単一のグラフィックスプロセッサ上で数十秒で実行されました。著者らはさらに、ユーザーが形状をアップロードしペーシングシナリオを探索して対話的に最適化を行えるウェブベースのインターフェースも構築しました。

患者にとっての意義

この研究は、慎重に訓練されたディープラーニングモデルが多様な形状とペーシング条件にわたる左心室の詳細な電気シミュレーションを模倣し、計画ツール内で利用可能なほど高速に動作できることを示しています。現モデルは合成訓練データに依存し左心室の電気的挙動のみを考慮していますが、両心室や機械的駆出機能も含むより包括的なデジタルツインの基礎を築きます。実世界のより豊富なデータとさらなる改良が進めば、このようなツールは臨床での適用前に多様なペーシング戦略をコンピュータ上で検証する助けとなり、各患者が本当に心拍同期を回復するデバイス構成を受けられる可能性を高めることが期待されます。

引用: Naghavi, E., Wang, H., Ziaei-Rad, V. et al. Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning. npj Digit. Med. 9, 225 (2026). https://doi.org/10.1038/s41746-026-02399-7

キーワード: 心臓再同期療法, 幾何学的ディープラーニング, 心臓電気生理学, 患者別モデリング, デジタルツイン