AI活用法！ 不整脈を検知してくれる、しかも高精度で。

・心房細動の再発の可能性のある信号を90%の精度で検知する新しいディープラーニング手法を開発。
・3次元の心臓MRI画像を解析・学習し、個人特有のランドマークをベースとした解剖学的表現を生成。

米国・疾病予防センターの報告によると、米国では約610万人が心房細動を患っていると言われています。心房細動とは、心房内に流れる電気信号の乱れによって起きる「不整脈」の一種で、心房が痙攣したように細かく震え、血液をうまく全身に送り出せなくなる病気です。心不全、脳卒中、その他の合併症のリスクを高めてしまいます。

心房細動の原因としては、高血圧と高齢化が最大22％を占めています。通常、脳卒中のリスクを5倍に高め、血栓と呼ばれる血管内壁の脂肪沈着物によって脳への血液の流れが妨げられることで起こる虚血性脳卒中の20%を引き起こします。

心房細動は生命を脅かすものではありませんが、しばしば緊急の治療が必要となる重篤な疾患です。また、治療後に再発するケースも少なくありません。その再発の可能性のある信号を検知するために、ユタ大学の研究者は、90％の精度で心房細動を検知するディープラーニング手法を設計しました。

その仕組みは？

ディープニューラルネットワークは、3次元の心臓MRI画像を用いて、個人特有のランドマークをベースとした解剖学的表現を生成し、手作業による前処理や分割といった面倒な作業を省くことができます。

心房細動の再発を予測するために、左心房（心臓の4つの部屋のうちの1つ）の形状を解析し、不整脈を探します。ただし、限られたサンプル数では効率よく学習させることができません。そこで研究者らは、より統計的に実現可能な情報を得るためにデータ補強のアプローチを適用し、過剰適合のリスクを低減しながらネットワークを学習させました。

NVIDIA Tesla GPUを使用し、TensorFlow深層学習フレームワークを用いて、数百枚のMRI画像で畳み込みニューラルネットワークを学習させます。その後、元のデータセットの75%に対してデータ拡張を行い、ネットワークの精度を向上させました。

具体的には、左心房の構造は、肺静脈の可能な配置の膨大な数のために、形状空間においてクラスター化を示します。この数に対処するため、彼らは左心房の形状を主成分分析部分空間における多モデルのガウス分布としてモデル化し、3つの成分が最良のベイズ情報量規準を提供することが明らかになりました。

標準的な形状モデリングと提案手法の比較
研究者提供

この実験では、合計207個のサンプルを使用し、そのうち175個はデータの補強に使用し、残りの1個はネットワークのテスト用に（未観測サンプルとして）確保されました。

結果

提案技法は、画像から形状記述子を学習するため、左心房の自動分割に利用され、有望な結果が得られています。

この技法を、定期的な人の介入と対応関係の最適化を必要とする既存の最先端の形状解析ワークフローと比較した結果、統計的に同程度の結果が得られることが分かりました。ディープニューラルネットワークによって予測された再発は、誤差±0.06%で90%の精度でした。