心血管疾患分類のための12誘導心電図におけるグラフニューラルネットワークの説明可能性
カテゴリ：医療現場の業務効率化
公開日：2026年2月19日
タイトル：xGNN4MI: explainability of graph neural networks in 12-lead electrocardiography for cardiovascular disease classification
雑誌名：NPJ Digit Med. 2026 Feb 06; doi: 10.1038/s41746-026-02367-1. Epub 2026 Feb 06.
概 要：
本研究は、12誘導心電図（ECG）における心血管疾患（CVD）リスク評価のための人工知能（AI）ソリューションの臨床導入を妨げる解釈可能性の制限に対処するために、xGNN4MIというオープンソースのグラフニューラルネットワーク（GNN）フレームワークを提案します。このフレームワークは、ECGリード間の臨床的に関連する空間的関係とその時間的ダイナミクスをモデル化することを可能にします。説明可能なAI（XAI）を統合し、モデルの意思決定プロセスに重要なECGリードを特定するためのタスク特化型XAI評価および視覚化ワークフローを開発しました。xGNN4MIを診断スーパークラス分類と心筋梗塞の局在化という2つの難しいタスクで評価した結果、解釈可能なECG-GNNモデルは良好なパフォーマンスを示しました。
方 法：
この研究では、グラフニューラルネットワークを用いた心電図モデルのためのxGNN4MIフレームワークを開発しました。臨床的に関連するECGリード間の空間的関係と時間的ダイナミクスをモデル化し、説明可能なAIを統合しました。タスク特化型のXAI評価と視覚化ワークフローを用いて、モデルの意思決定に重要なECGリードを特定しました。
結 果：
解釈可能なECG-GNNモデルは、診断スーパークラス分類と心筋梗塞の局在化のタスクにおいて良好なパフォーマンスを示しました。XAI分析により、前壁と下壁の心筋梗塞を区別するなど、臨床的に意味のあるトレーニング効果が明らかになりました。
結 論：
本研究は、ECG-GNNが信頼性が高く解釈可能なAIベースの心血管疾患診断を提供する可能性を示しています。xGNN4MIフレームワークは、臨床現場でのAIの導入を促進するための有望なツールとなるでしょう。