心臓 PET/MRI を無教師学習で整理する新手法：遺伝性心筋症の異常領域を可視化

導入

心臓画像診断は、形態だけでなく組織性状や代謝情報まで扱う時代に入っている。しかし、PET と MRI から得られる多様な定量情報を、臨床的に解釈しやすい形へ整理することは容易ではない。フランスのナント大学、ナント大学病院などの研究チームは、同時 PET/MRI データを対象にした無教師機械学習の方法論を arXiv で発表した。

研究対象は、不整脈原性左室心筋症である。これは遺伝性の心筋疾患で、明確なゴールドスタンダードとなる診断基準が不足しているため、診断や病態把握が難しい。PET/MRI は心筋の線維化、炎症、代謝異常などを多面的に捉えられる可能性がある一方、画像間・患者間の異質性が大きく、単純な読影だけでは情報を十分に活かしきれない。

主要ポイント

• 対象データ：遺伝学的に不整脈原性左室心筋症と診断された 99 人の患者データを使用。
• 利用モダリティ：T1 マップ、T2 マップ、LGE、18F-FDG-PET 画像を組み合わせた。
• 処理の流れ：各患者の画像を個別に z-score 標準化し、単一のボリュームとして統合したうえで、まずスーパーボクセルへクラスタリングした。
• 患者間の対応付け：その後、スペクトラルクラスタリングによって 32 個の患者間スーパーボクセル群を得た。
• 異常度スコア：各クラスタと各モダリティに異常度を割り当て、疾患に関連し得る領域を可視化した。
• 自動報告：この結果から、テキスト形式の報告と心臓ブルズアイ図を自動生成した。
• 評価結果：心臓画像医の評価と比較したところ、患者データの反復ネスト交差検証で平衡精度は 0.76±0.04、167 個の数値ファントムでは 0.8 以上だった。

意義と影響

この研究の特徴は、診断名を直接予測するモデルではなく、多モーダル画像を体系的に整理する枠組みを提示している点にある。心筋症では、線維化、炎症、代謝変化が同じ場所・同じ強さで現れるとは限らない。無教師クラスタリングを使うことで、明示的なラベルに強く依存せず、患者間で共通する異常パターンを抽出できる可能性がある。

自動生成されるテキスト報告やブルズアイ図は、専門医を置き換えるものではなく、読影を支援する情報整理ツールと見るべきだろう。複数モダリティを横断して異常領域を示せれば、見落としの低減や患者間比較の標準化に役立つ可能性がある。論文では、抽出された異常クラスタが視覚的所見と近く、線維化や炎症の程度の違いを把握する助けになると述べられている。

一方で、これはまだ予備的な方法論研究である。対象疾患やデータセットは限定されており、臨床導入にはより大規模な検証、多施設データ、前向き評価が必要になる。それでも本研究は、医用 AI が単なる分類器を超え、複雑な多モーダル画像を解釈可能な患者プロファイルへ変換する方向性を示している。

出典：arXiv