マルチタスク深層学習モデル、小児心エコー検査で先天性心疾患を高精度に検出

• EchoAI-Pedsはビジョントランスフォーマーモデルであり、12,000件以上の小児心エコー検査から70万件以上のビデオで訓練された。

• このモデルは、28種類の先天性心疾患、構造的・機能的異常、修復術および介入を同時に検出する。

• 内部テストセットでは、モデルはマクロ平均AUROC 0.91を達成し、他施設の外部セットではAUROC 0.89であった。

• EchoAI-Pedsは、成人向け心エコー基盤モデルであるEchoCLIPおよびEchoPrimeを有意に上回った。

研究スナップショット

本研究の重要性

先天性心疾患は全世界の出生の約1％に影響し、乳幼児の罹患率と死亡率の主要な原因である。小児心エコー検査は診断と経過観察の要であるが、その解釈は高度に専門的で時間を要する。人工知能（AI）モデルは臨床医を支援できる可能性があるが、既存の心エコー用深層学習ツールのほとんどは成人集団向けに開発され、単一タスクや特定のビューに限られている。Circulation誌に掲載された新しい研究では、小児心エコー検査専用に設計されたマルチタスク深層学習モデルEchoAI-Pedsが紹介され、完全な検査から幅広い先天性心疾患やその他の異常を同時に検出できることが示された。

研究の方法

Stanford Medicineの研究者らは、ビデオベースのビジョントランスフォーマーを開発した。これは単一の心エコー検査からの複数ビデオを処理し、先天性心疾患、構造異常、機能異常、術後修復・介入を含む28の病態に対して予測を出力する。モデルは、2014年から2021年にかけてStanford Medicineで実施された10,815件の小児検査（患者年齢中央値8歳、女児45％）から70万件以上の個別ビデオクリップを用いて訓練された。さらに1,294件の検査が検証に使用された。モデルの性能はまず、同時期の内部ホールドアウトセット1,336件でテストされた。一般化可能性を評価するため、モデルは2024年から2025年にかけてフィラデルフィア小児病院（CHOP）で実施された2,121件の検査からなる空間的・時間的に異なるコホートでもテストされた。

研究結果

内部テストセットでは、EchoAI-Pedsはマクロ平均受信者動作特性曲線下面積（AUROC）0.91（95% CI, 0.90～0.92）を達成した。外部CHOPテストセットでは、AUROCは0.89（95% CI, 0.88～0.90）であった。モデルの性能は、患者年齢、性別、ビデオクリップ数の異なる検査においても堅牢であった。直接比較において、EchoAI-Pedsは成人向け心エコー基盤モデルであるEchoCLIPおよびEchoPrimeを大幅に上回り、これらは内部AUROCがそれぞれ0.58および0.58、外部AUROCが0.61および0.60であった。これらの結果は、小児特有の訓練データとアーキテクチャの重要性を浮き彫りにしている。

結果の意義

本研究は、マルチタスク深層学習モデルが小児心エコー図から広範な先天性心疾患やその他の異常を正確に検出できることを示している。成人向けモデルとの大きな性能差は、小児心エコー検査にはより小さな心臓構造、高い心拍数、異なる疾患分布などの独自の課題があり、専用のAIソリューションが必要であることを示唆している。前向きに検証されれば、EchoAI-Pedsは臨床意思決定支援ツールとして、超音波検査技師や循環器専門医が異常をより迅速かつ一貫して特定するのに役立ち、先天性心疾患の小児における診断遅延の減少と転帰改善につながる可能性がある。

強みと限界

本研究の強みには、大手アカデミックセンターからの大規模な実世界訓練データセットの使用、地理的に離れた施設での後期の外部検証、および臨床現場を反映したマルチタスク・マルチビューデザインが含まれる。しかし、本研究は後ろ向きであり、米国の2つのアカデミック医療センターに限定されているため、地域病院や国際的な環境への一般化可能性に影響を与える可能性がある。モデルは前向きの臨床ワークフローではまだテストされておらず、臨床意思決定、診断までの時間、または患者転帰への影響は不明である。さらに、本研究では較正指標や個別の希少欠損に対する性能は報告されておらず、偽陽性・偽陰性パターンの解析も行われていない。

臨床および研究への示唆

EchoAI-Pedsは、小児心エコー検査へのAI統合に向けた重要な一歩である。今後の研究では、多様な臨床施設での前向き検証、ランダム化比較試験や実用的試験による臨床的有用性の評価、および画像保存通信システム（PACS）へのモデル統合の評価に焦点を当てるべきである。開発者はまた、特に希少または複雑な解剖学的構造に対する個別病変の性能を検討し、解釈可能性を高める方法を探求すべきである。本研究は、医用画像のためのAIモデルは対象集団に合わせて調整されなければならないという原則を再確認している。小児患者は単なる小さな成人ではなく、その画像データには特別なアプローチが必要である。

資金提供、開示、登録

抄録では、特定の資金源、利益相反、臨床試験登録は報告されていない。本研究は、Stanford University School of MedicineとChildren's Hospital of Philadelphiaの研究者によって実施された。

参考文献

• Cho J, Mathur M, Kaur D, et al. A Multitask Deep Learning Model for Pediatric Echocardiography Analysis. Circulation. 2026 Jul 28. PMID: 42517220. PubMed