小児心臓検診用マルチモーダル人工知能(AI)モデルの開発研究

当該年度の研究目的および研究実施計画は、小児検診データおよび3次検診受診者の患者情報（年齢・性別・疾患名・心エコーデータ・胸部レントゲンデータ等）を学習用データ・検証用データに分割し、学習用データのみを用いてAIモデル（深層学習モデル）を構築することである。さらに、検証用データを用いて作成したAIモデルの汎化性能の評価を行うことを目指している。当該年度では、主に小児心臓検診を受診した10万件の心電図データを用いて、深層学習モデルを作成し、評価を行った。モデルは当初予定していたモデルを発展させ、異常検知モデルとして構築した。理由としては、検診ではほとんどのケースで正常であり、異常を認める例はごく少数であるため、ごく少数の異常を検知するためのモデルとして深層学習をベースとした異常検知モデルを構築した。深層学習を用いた異常検知モデルにより、小学生1年生および中学生1年生を対象とした際に一次検診で異常を指摘された症例を検出する性能評価として、AUC-ROCが0.996、AUC-PRCurveが0.980と非常に高い水準の性能となった。これにより、本研究では、まれな疾患を含む異常疾患を学校検診レベルで分類できるモデルができた。さらに、小児肥大型心筋症という非常にまれな疾患を本研究で構築した異常検知モデルで検証したところ、AUC-ROCは0.98、AUC PR-curveが0.412と比較的高い評価値となった。この成果を第27回日本小児心電学会学術集会で「学校心電図検診のビッグデータに基づく深層学習による異常検知モデル」というタイトルで学校検診シンポジウムで筆頭演者として発表を行った。これにより、本研究の成果が広く共有され、関連分野の研究者や医療従事者との議論が行われ、今後の研究の進展に役立つことが期待される。

当該年度の研究目的および研究実施計画は、小児検診データおよび3次検診受診者の患者情報（年齢・性別・疾患名・心エコーデータ・胸部レントゲンデータ等）を学習用データ・検証用データに分割し、学習用データのみを用いてAIモデル（深層学習モデル）を構築することである。さらに、検証用データを用いて作成したAIモデルの汎化性能の評価を行うことを目指している。当該年度では、主に小児心臓検診を受診した10万件の心電図データを用いて、深層学習モデルを作成し、評価を行った。モデルは当初予定していたモデルを発展させ、異常検知モデルとして構築した。理由としては、検診ではほとんどのケースで正常であり、異常を認める例はごく少数であるため、ごく少数の異常を検知するためのモデルとして深層学習をベースとした異常検知モデルを構築した。深層学習を用いた異常検知モデルにより、小学生1年生および中学生1年生を対象とした際に一次検診で異常を指摘された症例を検出する性能評価として、AUC-ROCが0.996、AUC-PRCurveが0.980と非常に高い水準の性能となった。これにより、本研究では、まれな疾患を含む異常疾患を学校検診レベルで分類できるモデルができた。さらに、小児肥大型心筋症という非常にまれな疾患を本研究で構築した異常検知モデルで検証したところ、AUC-ROCは0.98、AUC PR-curveが0.412と比較的高い評価値となった。この成果を第27回日本小児心電学会学術集会で「学校心電図検診のビッグデータに基づく深層学習による異常検知モデル」というタイトルで学校検診シンポジウムで筆頭演者として発表を行った。これにより、本研究の成果が広く共有され、関連分野の研究者や医療従事者との議論が行われ、今後の研究の進展に役立つことが期待される。