MEDICINE & AI

タイトル：Sex disparities in deep learning estimation of ejection fraction from cardiac magnetic resonance imaging 雑誌名：NPJ Digit Med. 2026 Jan 23; doi: 10.1038/s41746-025-02330-6. Epub 2026 Jan 23. 概　要： 本研究は、心血管画像における人工知能の導入が早期診断、精密医療、病気管理の向上に寄与する可能性を探求しています。しかし、心臓画像における深層学習モデルの性別に基づくバイアスとその軽減策は十分に研究されていません。本研究では、心臓磁気共鳴画像と複数の施設からの放射線報告を用いて事前学習された基盤モデルを分析し、UKバイオバンクデータセットで駆出分画（EF）を推定するためにファインチューニングしました。モデルは、低下したEFの診断において女性に対する推定精度が男性よりも有意に低いことが示されました。放射線報告における保護属性のマスキングやデータの再サンプリングを行ってもアルゴリズミックな公平性は改善されず、モデルのファインチューニングにおいて性別を明示的に入力することで一部のケースでEF推定が改善される可能性があります。女性における低下したEFの過小診断は、心血管健康における性差の悪化に重大な影響を及ぼします。心血管画像のモデル開発においては、これらの落とし穴を避けるために慎重さが求められます。 方　法： 本研究は、心臓磁気共鳴画像と放射線報告を用いて事前学習された基盤モデルを分析し、UKバイオバンクデータセットで駆出分画を推定するためにファインチューニングを行ったコホート研究です。モデルの性能を性別に基づいて比較し、アルゴリズミックな公平性を評価しました。 結　果： モデルは、低下したEFの診断において女性に対する推定精度が男性よりも有意に低いことが確認されました。保護属性のマスキングやデータ再サンプリングを行ってもアルゴリズミックな公平性は改善されず、性別を明示的に入力することで一部のケースでEF推定が改善される可能性が示唆されました。 結　論： 心臓磁気共鳴画像における深層学習モデルは、性別によるバイアスが存在し、特に女性における低下したEFの過小診断が心血管健康の性差を悪化させる可能性があります。心血管画像のモデル開発においては、これらの問題を避けるための慎重なアプローチが必要です。