画像診断で心臓病の機能評価を革新：FFR測定の最新動向

10月 27, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Imaging-derived coronary fractional flow reserve: advances in physics-based, machine learning, and physics-informed methods
Physics in Medicine and Biology｜被引用数: 0（2026年10月27日時点）

心臓病の診断と治療において、冠動脈の狭窄が実際にどの程度血流に影響を与えているかを正確に評価することは極めて重要です。従来の侵襲的な評価法には様々な課題がある中、近年、「画像由来の冠血流予備量比（FFR）」という新しいアプローチが注目を集めています。これは、CTや血管造影などの非侵襲的な画像データから、心臓の血流状態を予測し、機能的な病変の評価を可能にするものです。本記事では、この画像由来FFRの進化について、物理ベースの計算流体力学（CFD）、機械学習、そして両者の利点を組み合わせた物理情報に基づく学習といった最先端の手法に焦点を当てて解説します。

研究サマリー（FINER & PICO）

Feasible実施可能性	画像由来FFRは手技負担を減らし、ML/DLは高速性、PINN/PINOは速度と物理的一貫性を両立します。
Ethical倫理面	行動可能な情報を提供しつつ手技の負担を軽減しますが、臨床使用における信頼性（較正、不確実性）が重要です。
Interesting面白さ	FFR推定は従来のCFDから機械学習、深層学習、そして物理情報に基づく新しい方法へと進化しています。
Novel新規性	物理情報ニューラルネットワーク（PINN）やニューラルオペレーター（PINO）といった新しい手法が登場しています。
Relevant切実さ	世界的な主要な死因である冠動脈疾患において、機能的に重要な病変の評価精度を向上させます。
Measurable測定可能性	FFR値、診断精度（AUC、ACC、SEN、SPE）、計算時間などで各手法の性能が評価されます。
Modifiable派生・改善	CFDとMLの限界を克服するため、物理情報に基づく学習など新たなアプローチで改良が進められています。
Structured文章構造	本研究は、FFR評価方法をCFD、機械学習、物理情報学習の3つの主要なカテゴリーに分類して体系的にレビューしています。
PICO / PECO対象・介入・比較・結果	冠動脈狭窄に対する画像由来FFR（CCTA/ICA、CFD、ML/DL、PINN/PINO）の有効性を、侵襲性FFRと比較し評価。

はじめに：冠動脈疾患の機能的評価における新たな潮流

どうも、Beyond the Pixelです。世界中で主要な疾病として認識されている冠動脈疾患（CAD）は、その罹患率と死亡率の高さが問題となっています。この疾患の専門的な課題の一つは、画像で見える解剖学的な狭窄と、実際に心筋虚血を引き起こす機能的に重要な病変とを区別することです。特に、中等度の病変では、視覚的な評価は主観的でばらつきがあります。現在、最大限の血流促進下で測定される「圧ワイヤーベースの冠血流予備量比（FFR）」は、病変に特化した生理学的評価と血行再建の意思決定を導くための「ゴールデンスタンダード」と広く見なされています。

**Figure 2.** Figure 2. Physiological mechanism of fractional flow reserve. During pharmacologically induced maximal hyperemia, distal microvascular resistance is minimized and relatively stable, allowing FFR to be approximated as the ratio of distal coronary pressure (𝑃𝑑) to aortic pressure (𝑃𝑎). Coronary stenosis produces a pressure loss (Δ𝑃= 𝑃𝑎−𝑃𝑑); therefore, a larger stenosis-related pressure loss results in a lower 𝑃𝑑and a lower FFR. An FFR value of 0.80 or below is commonly considered indicative of a functionally significant coronary lesion.解説: 冠血流予備量比（FFR）の生理学的メカニズムを示す図です。最大限の薬理学的血流促進時には、末梢微小血管抵抗が最小化され、比較的安定するため、FFRは遠位冠動脈圧（Pd）と大動脈圧（Pa）の比率として近似できます。冠動脈狭窄は圧力損失（ΔP = Pa – Pd）を引き起こすため、より大きな狭窄関連の圧力損失はPdの低下とFFRの低下につながります。FFR値が0.80以下は、機能的に有意な冠動脈病変を示すものと一般的に考えられています。

しかし、このFFRの日常診療への普及には、ワイヤー操作の複雑さ、血流促進剤の使用、追加の手技時間とコスト、そして対象者や専門家側の制約といった実用的な障壁が存在します。これらの課題を克服するため、ワイヤーを使わない「画像由来の生理学的評価」の開発が進められています。これは、手技の負担を軽減しつつ、病変レベルの意思決定に役立つ機能的な情報を提供することを目的としています。今回のブログでは、日常的に取得される画像データから冠動脈血行動態と機能的重要性を推測する、非侵襲的な画像由来のアプローチに焦点を当て、特に臨床ワークフローに現実的に統合でき、多様な画像品質、取得プロトコル、病変形態にわたって信頼性の高い出力を提供する手法を強調します。

画像診断に基づくFFRの評価方法：CFDから機械学習、そして物理情報に基づくアプローチへ

画像由来の機能的評価は、解剖学的情報や造影剤の流れの情報を活用し、冠動脈ツリーに沿った圧降下と生理学的有意性を推定します。現在利用可能なモダリティの中で、CT冠動脈造影（CCTA）と侵襲性冠動脈造影（ICA）は、それぞれ異なる強みと制約を持ちながら、臨床応用と大規模なエビデンスが特に注目されています。CCTAは対象者固有の3D冠動脈解剖とプラーク負担の情報を提供し、血管ツリー全体の生理学的評価を可能にします。一方、ICAはカテーテル検査室で日常的に実施され、診断と手技計画に用いられます。ICA由来の生理学的評価の主な動機は、カテーテル検査の実施時間内でワイヤーを使わずに機能的な情報を提供し、圧ワイヤーを挿入することなく即座の意思決定を支援することにあります。急速に増え続ける研究文献を整理するため、画像由来のFFR評価法は、忠実度、速度、解釈可能性、堅牢性の間で異なるトレードオフを持つ三つの主要な方法論的ファミリーに分類されます。

**Figure 1.** Figure 1. Workflow-oriented comparison of the major paradigms for imaging-derived FFR estimation, including CFD-based, machine learning–based, and physics-informed approaches. CCTA is used here as an example input. For ICA-based FFR, the downstream estimation framework is largely similar, while the initial stage typically involves ICA-based 3D coronary reconstruction rather than direct CTA-derived geometry.解説: 画像由来のFFR推定の主要なパラダイム（CFDベース、機械学習ベース、物理情報ベース）のワークフロー指向の比較図です。CCTAを例として入力に使用していますが、ICAベースのFFRの場合、初期段階でICAベースの3D冠動脈再構築が行われる点が異なります。各アプローチの核となる考え方、具体的なプロセス、そして物理的一貫性、精度、計算コスト、データ依存性、解釈可能性、リアルタイム性などの長所と短所が示されています。

1. 物理ベースの計算流体力学（CFD）アプローチ

物理ベースのアプローチは、画像から再構築された冠動脈の形状に基づいて、支配方程式を解くことで圧と血流を推定します。これらの方法は、機械的な一貫性と解釈可能性を提供しますが、臨床的な実現可能性は、高い計算コストと、特に境界条件や下流の抵抗モデルといった生理学的仮定への感度によって制約されることがよくあります。最も高い忠実度レベルでは、冠動脈の血流は通常、非圧縮性ナビエ・ストークス方程式によって記述されます。血液が一定の密度と動的粘性を持つニュートン流体としてモデル化されると仮定すると、流速場と圧力場は以下の連続の式と運動方程式を満たします。∇⋅u = 0（連続の式）および ρ(∂u/∂t + u⋅∇u) = -∇p + μ∇²u + ρg（運動方程式）。ここでρは血液密度、tは時間、∇は勾配演算子、∇²はラプラシアン演算子、gは重力加速度ベクトルです。これらの結合された非線形偏微分方程式（PDE）は、適切な境界条件とともに、対象者固有の3次元冠動脈領域で解かれます。ナビエ・ストークス方程式を解くためには、計算領域の境界において境界条件を指定する必要があります。これには入口表面、一つ以上の出口表面、そして血管壁が含まれます。これらの条件は、再構築された冠動脈モデルがどのように駆動され、閉じられるかを定義します。入口では、流入する圧や流速が指定され、壁の条件は血液と壁の相互作用を記述し、出口条件は末梢血管の循環を表現します。特に、出口境界条件は冠動脈FFRモデリングにおいて最も影響力があり、不確実な要素となることが多く、下流の微小血管循環を表現します。これらの仮定は、血流と圧力の関係を形成し、予測される圧降下とFFR値に大きな変化をもたらす可能性があります。

2. 機械学習（ML）と深層学習（DL）アプローチ

機械学習アプローチは、CFDパイプラインの一部（または全て）をデータ駆動型の推論に置き換えることで、物理ベースのFFR推定を補完します。その全体的な利点は、ほぼ即時の計算と容易な展開性ですが、主な臨床的要件は、スキャナー、プロトコル、画像品質、病変形態が多様な環境下での信頼性です。物理情報を暗黙的に利用するサロゲートモデルは、解剖学由来の表現（例：中心線形状、管腔断面積プロファイル）からCFDの出力や侵襲性FFRの指導に基づいて圧降下やFFRへの直接的なマッピングを学習します。初期の「古典的ML」CT-FFR研究では、現代の本格的な深層学習が主流になる前から、ワークステーションで実行可能な推論と多施設での検証が確立されていました。並行して、定量的な血管造影記述子を用いた従来の教師ありMLは、中等度病変におけるFFR定義虚血を予測するための初期の基準を提供しました。深層学習モデルは、CCTAボリュームや動脈中心のMPRスタックから直接学習し、解剖学的に認識された血管/ツリー表現を組み込むことで回帰を安定させることがあります。血管造影の深層学習モデルは、単一フレームの予測器から造影剤の流れのダイナミクスを利用するビデオベースのモデルまで多岐にわたり、明示的な3D再構築やCFDなしでAIのみの推論を目指すこともあります。しかし、機械学習で導出されたFFRは、治療方針決定に関わる重要な情報を提供するゆえに、予測値には信頼区間や不確実性推定が伴うことが理想とされています。ニューラルネットワークは大幅に誤較正される可能性があるため、温度スケーリングは誤較正を減らすための標準的な後処理方法です。しかし、較正と不確実性の品質はデータセットシフト（ドメインシフト）の下でしばしば低下します。これは、異なる施設やプロトコル間での外れ値に対する堅牢性を向上させるためのツールボックスを提供し、シフトを考慮した検証や、信頼性が低い場合の保守的な参照ポリシーを促します。

**Table 3.** Table 3. ML-based FFR timeline解説: 機械学習ベースの画像由来FFRの主要な進捗を時系列でまとめた表です。2018年のワークステーションで利用可能なMLベースCT-FFRから始まり、血管造影の特徴ベースML、多施設CT深層学習、MLベースCT-FFRの臨床的エビデンス、高速オンサイト深層学習FFR-CT、AIのみの血管造影由来FFR、そして2024年の時空間/ビデオ深層学習および単一フレーム血管造影深層学習ベースラインまで、年、方法、画像モダリティ、主な最適化、データセット、結果が示されています。

3. 物理情報に基づく学習アプローチ（Physics-Informed Learning）

このレビューで特に強調されているのが、物理情報に基づく学習です。これは、学習された推論を保存則と境界条件の制約と組み合わせる、有望な新しいパラダイムです。古典的なPhysics-Informed Neural Networks（PINNs）は連続的な圧力場と速度場を回復し、グラフおよびオペレーターの定式化は、このフレームワークを分岐血管表現や複数の形状にわたる反復推論に拡張します。物理的妥当性、計算効率、密なラベルへの依存度の低減、および空間分解能のある出力を同時にターゲットとすることで、これらの方法はスケーラブルなFFR推定に向けた有望な研究経路を提供します。この方法論は、計算速度、物理的一貫性、データ効率、および空間分解能のある出力の間で良好なバランスを提供します。特に、グラフベースの物理情報に基づく学習は、X線およびCTデータ全体で測定されたFFRと高い一致を示しており、物理情報に基づくオペレーターは、推論時間を数百秒から1秒未満に短縮しながら、CFD/PINNに匹敵する診断性能を維持しました。これらの結果は、物理情報に基づく方法が次世代の研究方向として有望であることを示唆していますが、前向きな多施設での検証が依然として必要です。

FFR計算モデルの進化：忠実度と計算コストのバランス

FFRの計算方法は、高忠実度の3次元ナビエ・ストークス方程式シミュレーションから、簡略化されたReduced-Order Model（次数低減モデル）や経験的な定式化まで、さまざまな数学的モデルの階層にわたります。高忠実度モデルは詳細な幾何学的表現と局所的な血行動態のより完全な解像度を提供しますが、かなりの計算リソースと対象者固有の境界情報が必要です。対照的に、Reduced-Order Modelや解析的近似は、計算効率と臨床的実現可能性の向上と引き換えに、空間の詳細の一部を犠牲にします。このモデリングのスペクトルを理解することは、現代のFFR方法論における物理的仮定、計算上のトレードオフ、および臨床的適用性を解釈するために不可欠です。全3Dから0Dまでのこれらのモデルの比較は、

**Table 1.** Table 1: Model Hierarchy – Fidelity vs Computational Cost解説: モデルの階層構造と、忠実度および計算コストの比較を示した表です。3Dナビエ・ストークス方程式モデル（解決時間2～4時間、忠実度最高）から、2D血管造影ベースモデル（2分、忠実度中高）、1D断面平均モデル（5～10分、忠実度高）、0D集中定数モデル（1分未満、忠実度中）まで、様々な次元のモデルがその支配方程式、計算される変数、解決時間、忠実度、そして利用している例とともにまとめられています。

に示されています。完全な3D CFDアプローチは、計算に数時間を要するものの、最高の忠実度を提供し、HeartFlowなどで利用されています。一方、血管造影ベースの2Dモデルは2分程度で中程度の忠実度、QFRやvFFRで用いられる1Dモデルは5〜10分で高い忠実度を提供します。さらに、FFRangioなどで採用される0Dの代数的抵抗モデルは1分未満で計算可能であり、中程度の忠実度を持つとされています。これらの進歩は、時間とリソースの制約がある臨床現場において、FFR推定をより現実的にすることを目指しています。

**Table 2.** Table 2. CFD-based FFR timeline解説: CFDベースの画像由来FFRの主要な進捗を時系列でまとめた表です。2011年のCT由来3D CFD FFRの臨床的実現可能性の確立から始まり、血管造影由来のCFDアプローチ、高速な擬似過渡CFD戦略、1Dナビエ・ストークス方程式モデルの速度向上、不確実性定量化とベイズ最適化の適用、そして2024年の2D FFRの導入まで、年、方法、画像モダリティ、主な最適化、データセット、結果が示されています。

また、実際の臨床現場でのFFR評価方法の運用価値は、平均的な診断指標だけでなく、計算可能性、品質管理、故障モード、および入力が不十分または信頼度が低い場合の安全なフォールバック戦略にも依存します。

**Table 4.** Table 4. Non-computability and dominant failure modes解説: 画像由来FFRの計算不能性および主要な故障モードについて、モダリティ別にまとめた表です。CCTAベースのFFR、血管造影ベースの生理学的評価、AIのみの血管造影由来FFRそれぞれについて、計算不能性や除外の原因と、それらの主要な理由が挙げられています。例えば、CCTAでは不適切な画像品質が原因で計算不能になることがあり、特に動きによるアーチファクトが主な理由とされています。

これらを踏まえ、将来的には、より高速で自動化され、生理学的に制約された意思決定支援を提供する画像由来のFFR方法への収束が見込まれています。ML/DLは効率を大幅に向上させる一方で、PINNsやPINOsのような物理情報に基づくフレームワークは、速度と物理的一貫性の間でより堅牢なバランスを提供する可能性があります。広範で安全な臨床導入を支援するためには、前向きな多施設検証と標準化された評価が不可欠となるでしょう。

用語集

冠血流予備量比（FFR）: 冠動脈狭窄がある状態とない状態での最大の血流を比較する指標。狭窄の機能的重要性を評価するために用いられます。
計算流体力学（CFD）: 流体の動きを数学的モデルと数値計算でシミュレーションする手法。冠動脈内の血流や圧力を詳細に解析します。
機械学習（ML）: データからパターンを学習し、予測や意思決定を行うためのアルゴリズムや統計モデルの総称です。
深層学習（DL）: 多層のニューラルネットワークを用いる機械学習の一種で、複雑な特徴を自動的に学習する能力を持ちます。
物理情報ニューラルネットワーク（PINN）: 物理法則をニューラルネットワークの学習プロセスに組み込むことで、物理的な整合性を保ちつつデータを学習する手法です。
ニューラルオペレーター（PONO）: 物理情報に基づく学習をオペレーター学習に拡張したもので、多様な幾何学的形状にわたる高速な推論を可能にします。
CT冠動脈造影（CCTA）: CT装置を用いて冠動脈を非侵襲的に撮影し、3D画像で血管の狭窄やプラークを評価する検査です。
侵襲性冠動脈造影（ICA）: カテーテルを挿入して造影剤を注入し、X線で冠動脈を直接撮影する検査です。診断や治療計画に用いられます。
ゴールデンスタンダード: 特定の評価や診断において、最も信頼性が高く、比較の基準となる方法や指標のことです。
ナビエ・ストークス方程式: 粘性を持つ流体の運動を記述する非線形偏微分方程式。CFDにおいて血流解析の基礎となります。
境界条件: 計算モデルの境界で指定される物理量（圧力や速度など）の条件。シミュレーション結果に大きな影響を与えます。
Reduced-Order Model（次数低減モデル）: 複雑な物理モデルを簡略化し、計算効率を向上させたモデル。3Dモデルの一部情報を犠牲にして速度を得ます。
ドメインシフト: 機械学習モデルが訓練されたデータと異なる特性を持つ新しいデータに対して、性能が低下する現象。異なる施設やプロトコル間で生じやすい問題です。