自己教師あり学習を用いたECGベースの心臓および冠機能評価のための基盤トランスフォーマーモデル
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：A foundation transformer model with self-supervised learning for ECG-based assessment of cardiac and coronary function
雑誌名：NEJM AI. 2025 Dec; 2(12): doi: 10.1056/aioa2500164. Epub 2025 Nov 26.
概 要：
本研究は、自己教師あり学習（SSL）を用いたECG基盤モデルを開発し、心筋虚血や冠微小血管機能障害などの診断における限られたラベル付きデータの課題を克服する方法を示しています。従来のECG診断は、構造的および機能的心臓異常のAIによる検出において進展がありましたが、重要な臨床診断アプリケーションは未だ十分に対応されていません。大規模な無ラベルECG波形データベースを用いてモデルを事前学習し、ラベル付きデータを用いて微調整を行いました。
方 法：
修正されたビジョントランスフォーマーモデルは、無ラベルのECG波形データベース（MIMIC-IV-ECG、N=800,035）を使用して事前学習されました。その後、ポジトロン放出断層撮影から得られた高品質なラベル（N=3,126）や臨床報告（N=13,704）を含む小規模データベースを用いて微調整されました。診断精度とモデルの一般化能力は、PTB-XLやUK Biobankなどの追加のコホートで評価されました。
結 果：
診断性能はタスクによって異なり、受信者動作特性曲線下面積（AUROC）は、心筋血流予備能の低下（MFR < 2）の検出で0.763から、左室駆出率の低下（LVEF < 35%）で0.955までの範囲でした。自己教師あり学習による事前学習は、従来の監視学習と比較して11の予測タスクで診断精度を大幅に向上させました。モデルは、外部および内部のクロスモダリティデータベースにおいても強い性能を維持しました。
結 論：
このECG基盤モデルは、自己教師あり学習による事前学習が診断精度と一般化能力を向上させることを示しています。限られたラベル付きデータからの効果的な学習を可能にすることで、心筋虚血や冠微小血管機能障害の検出など、臨床的に重要なタスクにおけるAI開発を支援します。