心電図（ECG）で肝臓の呼吸性移動を予測：低侵襲治療の精度向上へ

August 22, 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: Respiratory-induced liver motion prediction using ECG as surrogate signal
International Journal of Computer Assisted Radiology and Surgery｜被引用数: 0（2026年8月22日時点）

肝臓がんの診断や治療において、呼吸による肝臓の動きは常に課題でした。しかし、この動きを正確に予測できれば、より安全で精密な処置が可能になります。今回ご紹介する研究は、日常的に使用される心電図（ECG）を「サロゲート信号」として用い、AIモデルで肝臓の呼吸性移動を予測するという画期的なアプローチを提案しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	既存の臨床設定で利用可能な心電図データのみを用いるため、追加の機器導入が不要で実施は現実的です。
Ethical倫理面	倫理委員会の承認を得て、対象者のインフォームドコンセントも取得されており、研究の倫理的側面は適切に配慮されています。
Interesting面白さ	肝臓の呼吸性移動を非侵襲的に予測する新しい方法として、精密な経皮的処置の精度向上に繋がる興味深い研究です。
Novel新規性	心電図を呼吸性肝臓動態予測のためのサロゲート信号として導入し、その相関と堅牢性を定量的に評価した点で新規性があります。
Relevant切実さ	肝臓がんの診断・治療における経皮的処置の精度と安全性を向上させ、対象者の負担を軽減する可能性があり、臨床的に非常に有用です。
Measurable測定可能性	平均絶対誤差、相関係数、ピーク・トゥ・トラフ距離、許容誤差範囲内の予測割合といった客観的な指標でモデル性能を評価しています。
Modifiable派生・改善	学習ベースのモデルであり、将来的に多様なデータセットや異なるアーキテクチャ（例：CNN-Transformer）を組み込むことで性能改善の余地があります。
Structured文章構造	目的、方法、結果、考察、結論が明確に記述された構造化抄録形式で、研究の枠組みが分かりやすいです。
PICO / PECO対象・介入・比較・結果	P (対象者): 8名の健常なヒト対象者。I (介入): 心電図を用いた肝臓の呼吸性移動予測モデル。C (比較): 既存の許容誤差との比較はあり。O (アウトカム): 肝臓の呼吸性移動予測の精度（MAE 4.02mm, r>0.90）。

はじめに：肝臓治療の課題と心電図の可能性

どうも、Beyond the Pixelです。肝臓がんの診断や治療において、呼吸による肝臓の動きは常に大きな課題となっています。肝臓がんは2022年に世界で6番目に多いがんであり、がん関連死の3番目の原因となっています。早期発見と適切な治療は、5年生存率を60%以上向上させることができます。しかし、生検やアブレーションといった経皮的処置や放射線治療では、呼吸による肝臓の移動が処置の精度に大きく影響します。例えば、通常の呼吸時でも肝臓は上下方向（スーペリア・インフェリア方向）に約10～30mm、前後方向（アンテリア・ポステリア方向）に約2～12mmも移動することが知られています。
これまで、このような動きを最小限に抑えるため、超音波、CT、MRIといった画像診断装置が術中のガイダンスとして利用されてきました。しかし、これらの技術には、コントラストの限界、高コスト、画像取得の遅延、あるいは放射線被曝といった固有の制限があります。また、治療マージンを広げたり、深呼吸時の呼吸停止（息止め）を利用したりといった戦略もありますが、それぞれ健康な組織への損傷リスクや、対象者の協力が得られないケースが存在します。そこで注目されているのが、「サロゲート信号」と呼ばれる外部信号を利用したリアルタイムトラッキングです。この研究では、日常的な臨床現場で利用される心電図（ECG）をサロゲート信号として用い、AIモデルで肝臓の呼吸性移動を予測するという画期的なアプローチを提案しています。

心電図（ECG）が「サロゲート信号」となる理由

「サロゲート信号」とは、目的とする現象（ここでは肝臓の動き）を直接測定する代わりに、それと強く相関する別の、より測定しやすい信号を指します。これまでにも、呼吸計、腹部表面の変位、基準針、電磁トラッカーなどがサロゲート信号として提案されてきました。これらは測定が容易で、誘導される動きとの相関が強く、高いサンプリング周波数を持つという利点があります。
しかし、これらのシステムには、手術室への追加機器の導入が必要となり、処置時間、コスト、複雑さが増すという欠点がありました。対照的に、心電図（ECG）は、多くの臨床現場で対象者のモニタリングに日常的に用いられており、追加の機器を必要としない「非侵襲的」な方法です。また、医療専門家もECGには慣れ親しんでいます。心電図には、肺の容積変化による胸部電気インピーダンスの変化や、電極と心臓の相対的な動き、そして呼吸性洞性不整脈（呼吸に伴う心拍変動）など、呼吸に関連する特徴が観察されます。これまでの研究では、心電図から呼吸信号を導出するECG-derived respiration（EDR）が示されていますが、組織固有の変位をモデル化するまでには至っていませんでした。本研究は、心電図が肝臓の呼吸性移動予測に十分な相関を持つという仮説に基づいています。

AIモデルと実験方法：心電図から肝臓の動きを学習

この研究の目的は、心電図（ECG）をサロゲート信号として導入し、肝臓の呼吸性移動を予測することです。研究では、心電図データを入力として、MRIスキャンから得られた肝臓の内部移動を予測する学習ベースのモデルが訓練されました。このモデルは、「エンコーダ・デコーダネットワーク」と呼ばれる畳み込みニューラルネットワーク（CNN）ベースのアーキテクチャを採用しています。エンコーダとデコーダはそれぞれ3つの対称的なダウンサンプリングおよびアップサンプリングブロックで構成されており、最初のエンコーダブロックは4つのECGチャンネルを受け取り、チャンネル間の情報を組み合わせて特徴を学習するように設計されています。
実験的検証は、8名の健常なヒト対象者を対象とした試験を通じて行われました。対象者は、通常の呼吸、深呼吸、腹式呼吸、胸式呼吸、そして吸気時と呼気時の呼吸停止を含む様々な呼吸パターンを1分間または20秒間実施しました。研究チームは、MRIスキャナー（Magnetom Aera 1.5T Siemens Healthineers）とMRI対応の心電図装置を用いて、MRI画像データと心電図データを同時に取得しました。肝臓の呼吸性移動の「ゴールデンスタンダード」（真値）は、MRIスキャンからテンプレートマッチングを適用して抽出されました。心電図信号とMRI由来の肝臓移動データは、タイムスタンプに基づいて同期され、共通のサンプリング周波数（40 Hz）にリサンプリングされました。

**Figure 1.** Fig. 1 Electrocardiogram (ECG) data are acquired alongside dynamic MRI scans. The ECG serves as input to the correspondence model which is trained to map the surrogate data to the liver displacement due to respiration解説: 心電図（ECG）データが動態MRIスキャンと並行して取得される様子を示しています。ECGは対応モデルへの入力として機能し、このモデルはサロゲートデータから呼吸による肝臓の変位をマッピングするように訓練されます。図の左側には心電図電極の配置と得られる信号が、下側にはダイナミックMRI画像が表示され、右側にはエンコーダ・デコーダモデルのアーキテクチャと、予測される肝臓の上下方向（Superior-inferior）および前後方向（Anterior-posterior）の変位が示されています。

モデルの訓練では、10秒間のスライディングウィンドウで心電図データと、150ミリ秒シフトされたMRI由来の肝臓移動データが使用され、将来の肝臓変位を予測できるようにしました。損失関数としてはHuber損失が適用され、過学習を避けるために最小の検証損失に基づいて最適なモデルが選択されました。モデルのハイパーパラメータの詳細は

**Table 1.** Table1 Multiple hyperparameters were deﬁned for the correspondence model, with ﬁlter and kernel sizes speciﬁed for the ﬁrst, second, and third convolutional layers解説: 対応モデルに定義された複数のハイパーパラメータが示されています。フィルターサイズとカーネルサイズは、1番目、2番目、3番目の畳み込み層について具体的に指定されています。例えば、エポック数は20、学習率は0.0007、損失関数はHuber、ドロップアウトは0.1と設定されています。

に記載されています。評価指標として、平均絶対誤差（MAE）とパーソン相関係数（r）、およびピーク・トゥ・トラフ（PTT）距離が用いられました。また、針の挿入処置で許容される誤差範囲（3mmおよび5mm未満）内に予測がどれだけ収まるかも評価されました。

注目の結果：高い予測精度と臨床的意義

この研究の予測結果は、心電図が肝臓の呼吸性移動を予測するための信頼性の高いサロゲート信号となり得ることを示しています。全体的な平均絶対誤差（MAE）は4.02mmであり、前後方向（AP）と上下方向（SI）の相関係数はそれぞれ0.90、0.92と高い値を示しました。

**Table 2.** Table 2 The overall mean absolute errors (MAE) and Pearson correlation coefﬁcient (r) were calculated for each breathing pattern. All MAE are in mm解説: 各呼吸パターンにおける全体的な平均絶対誤差（MAE）とパーソン相関係数（r）が計算されています。MAEはミリメートル（mm）単位で示されています。通常の呼吸時における合計MAEは2.83 ± 1.47mmであり、全体のMAEは4.02 ± 1.50mm、相関係数は上下方向（SI）で0.92 ± 0.03、前後方向（AP）で0.90 ± 0.02です。

最も正確な予測は、平均絶対誤差（MAE）2.83mmで通常の呼吸時において得られました。これは、他の呼吸パターンと比較して最も良い性能です。一方、深呼吸では肝臓の移動量が増加するため、平均絶対誤差は4.75mmと若干高くなりました。吸気時呼吸停止時には最も高い誤差を示しましたが、これは対象者の呼吸プロトコルへの不遵守や、吸気時呼吸停止が呼気時呼吸停止よりも不安定であることなどが原因と考えられます。

**Figure 2.** Fig. 2 A correspondence model was tested for all breathing patterns performed in each session. Six models were trained per subject exchanging the training, validation and testing sessions. The model’s predictions were evaluated with respect to the ground truth data解説: 各セッションで実施された全ての呼吸パターンに対して、対応モデルがテストされた結果を示しています。各対象者に対して、訓練、検証、テストセッションを交換することで6つのモデルが訓練されました。モデルの予測値（破線）は、真値（実線）と比較して評価されています。図(a)は通常の呼吸、深呼吸、腹式呼吸、胸式呼吸、吸気時と呼気時の呼吸停止を含む実験プロトコルにおける予測を示しており、図(d)では、特定の呼吸パターンが訓練セットに含まれていない場合に予測が不正確になる例も示されています。

ピーク・トゥ・トラフ（PTT）距離の比較では、実際の肝臓変位と予測された肝臓変位との差は、上下方向（SI）で約3mm、前後方向（AP）で約1mmでした。

**Table 3.** Table 3 Peak-to-trough distance was calculated per direction of motion superior–inferior (SI) and anterior–posterior (AP) for the true and estimated signals (mm)**解説:** 上下方向（SI）および前後方向（AP）の運動方向ごとに、真の信号と推定された信号のピーク・トゥ・トラフ（PTT）距離がミリメートル（mm）単位で計算されています。通常の呼吸、深呼吸、腹式呼吸、胸式呼吸における真値と推定値が比較されており、例えば、通常の呼吸ではSI方向の真値が17.8 ± 3.30mmに対し推定値が15.9 ± 3.30mmとなっています。

重要な点として、この研究では、予測の90%以上が、10mmの病変に対する針挿入処置で許容されるとされる5mm未満の誤差範囲に収まりました。具体的には、上下方向（SI）で94.9%、前後方向（AP）で98.1%の予測が5mm未満の誤差でした。さらに、上下方向（SI）で83.7%、前後方向（AP）で93.5%の予測誤差が3mm未満であり、心電図が他の文献で提案されているサロゲート信号と同等の性能を持つことが示されました。

**Table 4.** Table 4 Percentage of errors (%) below the thresholds of 3 and 5mm, for each direction superior–inferior (SI) and anterior–posterior (AP)**解説:** 上下方向（SI）および前後方向（AP）の各方向について、3mmおよび5mmの閾値以下の誤差の割合（%）が示されています。通常の呼吸ではSI方向で92.2%が3mm未満、98.8%が5mm未満の誤差であり、全体ではSI方向で83.7%が3mm未満、94.9%が5mm未満の誤差に収まっています。

**Figure 3.** Fig.3 The absolute errors for each participant, accounting for all correspondence models and breathing patterns, were computed for liver respiratory- induced motion predictions解説: 肝臓の呼吸性移動予測における各対象者の絶対誤差をボックスプロットで示しています。これは、全ての対応モデルと呼吸パターンを考慮した上での結果です。上下方向（Superior-inferior）と前後方向（Anterior-posterior）の両方向について、3mmと5mmの誤差閾値（それぞれ赤と緑の点線）に対する誤差の分布が示されており、大部分の予測がこれらの許容誤差範囲内に収まっていることが見て取れます。

これらの結果は、心電図が肝臓の呼吸性移動を予測するための信頼できる非侵襲的なサロゲートとして機能し、介入的処置において正確なガイダンスを提供できる可能性を示しています。

研究の限界と今後の展望

本研究は心電図を肝臓の呼吸性移動予測に利用する可能性を示しましたが、いくつかの限界と今後の展望があります。

まず、モデルは通常の呼吸パターンで最も高い精度を示しましたが、深呼吸や特定の呼吸停止パターンでは予測性能が低下しました。これは、多様なシナリオでの堅牢で信頼性の高い予測を保証するためには、より多様な訓練データセットが必要であることを示唆しています。また、肝臓の呼吸性移動の真値はMRIスキャンからテンプレートマッチングによって導出されましたが、その精度はMRIシーケンスの空間分解能によって制限される可能性があります。肝臓病変の正確な追跡には、より高度なセグメンテーション技術が必要となるでしょう。

心電図をサロゲート信号として利用する利点は、非侵襲的であり、既存の臨床設定で追加のハードウェアを必要としない点にあります。しかし、心電図の読み取りは、薬剤や電極の配置、さらには心血管系や神経系の疾患を持つ対象者の形態学的変動によって影響を受ける可能性があります。将来の研究では、これらの要因がモデルの性能に与える影響を評価し、より多様な集団を対象に研究を進める必要があります。

現在のモデルは対象者固有に訓練されており、追加の医療画像が必要となるため、臨床ワークフローに新たなステップが加わる可能性があります。この問題を軽減するためには、将来的に汎用的な対応モデルの開発が求められます。また、本研究では呼吸による移動のみに焦点を当てており、針の挿入や肝臓の弾性変化など、呼吸以外の変形源は考慮されていません。今後は、術中データ（ツールのトラッキングなど）を組み込んだり、サロゲートベースと物理ベースのハイブリッドモデルによって病変の変位を推定したりする研究が期待されます。

さらに、現在のモデルアーキテクチャであるCNNベースのエンコーダ・デコーダネットワークは、局所的な特徴抽出には優れていますが、入力信号における長距離の依存関係をモデル化する上では限界があります。CNNとTransformerベースのモジュールを組み合わせたハイブリッドアーキテクチャは、自己注意機構を活用して広範な文脈的関係を捉えつつ、CNNの効率的な局所特徴抽出能力を維持することで、この限界を克服できる可能性があります。今後の研究では、これらのアーキテクチャを内臓器官の移動予測に応用し、肝臓がん治療における呼吸性移動予測の精度をさらに向上させることが期待されます。

用語集

心電図 (ECG): 心臓の電気的活動を記録したもので、非侵襲的に測定できる生理信号です。
サロゲート信号 (Surrogate Signal): 目的とする現象を直接測定する代わりに、それと強く相関する別の、測定しやすい信号のことです。
平均絶対誤差 (MAE): 予測値と実際の値との差の絶対値の平均で、予測精度を評価する指標の一つです。
パーソン相関係数 (r): 二つの変数の間の線形な関係の強さと方向を示す指標で、-1から1の間の値をとります。
エンコーダ・デコーダネットワーク: 情報を圧縮するエンコーダと、圧縮された情報から元の情報を再構築するデコーダからなるニューラルネットワークのアーキテクチャです。
Huber損失: 回帰問題で使われる損失関数の一つで、誤差が小さい場合は二乗誤差、大きい場合は絶対誤差のように振る舞い、外れ値に強い特徴を持ちます。
経皮的処置: 皮膚を通して針やカテーテルなどを挿入して行われる医療行為のことで、生検やアブレーション（焼灼術）などが含まれます。
スーペリア・インフェリア方向 (SI): 解剖学的な方向で、体の上下方向を指します。
アンテリア・ポステリア方向 (AP): 解剖学的な方向で、体の前後方向を指します。
呼吸性洞性不整脈: 呼吸に伴って心拍数が変動する生理的現象で、吸気時に心拍数が増加し、呼気時に減少します。
ピーク・トゥ・トラフ (PTT): 信号の最大値から最小値までの距離を指し、変動の振幅を示す指標として使用されます。
呼吸停止: 一時的に呼吸を止める行為で、医療処置中に体内の動きを抑制するために用いられることがあります。
畳み込みニューラルネットワーク (CNN): 画像認識などで広く用いられる深層学習のモデルで、畳み込み層を使って特徴を抽出します。
Transformerベースのモジュール: 自然言語処理分野で登場したニューラルネットワークの構成要素で、自己注意機構（self-attention）を用いて、入力データの長距離の依存関係を効率的に捉えることができます。