デュアルシーケンスCTとAIが拓く心筋瘢痕検出の新時代

9月 8, 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: AI-Powered Detection of Left Ventricular Myocardial Scar from Dual-Sequence CT: Global and Segmental Prediction Validated by CMR
Journal of Imaging Informatics in Medicine｜被引用数: 0（2026年9月8日時点）

心筋瘢痕は、心臓病の進行において重要な病理学的基質であり、心臓MRI（CMR）がその検出のゴールデンスタンダードとされてきました。しかし、CMRは費用、時間、専門知識の点でアクセスが限られています。この課題に対し、本研究は、AIを活用したデュアルシーケンスCT（冠動脈CTアンギオグラフィー（CCTA）と冠動脈石灰化スコア（CAC））フレームワークを開発し、CMRをリファレンスとして心筋瘢痕を検出する可能性を探りました。本研究は、このCTベースの新しいアプローチが、既存の臨床的評価を補完し、高リスクの対象者を特定するための重要なツールとなる可能性を示唆しています。

研究サマリー（FINER & PICO）

Feasible実施可能性	日常的に取得されるCT画像を使用し、AIによる自動解析と既存の臨床データを統合するため、実現可能性が高い。
Ethical倫理面	本研究は後方視的研究であり、すべてのデータは匿名化され、倫理委員会の承認を得て実施された。
Interesting面白さ	アクセスが限られたCMRの代替として、広く普及しているCTで心筋瘢痕を検出する点は臨床的に非常に興味深い。
Novel新規性	デュアルシーケンスCTとAIを統合し、全心臓およびセグメントレベルで心筋瘢痕を予測する点で新規性がある。
Relevant切実さ	心筋瘢痕は心血管疾患の予後を左右するため、早期かつ非侵襲的な検出法は対象者のリスク層別化に貢献する。
Measurable測定可能性	モデル性能はAUC、精度、感度、特異度、Dice係数などで客観的に評価されている。
Modifiable派生・改善	AIモデルのアーキテクチャや特徴選択は調整可能であり、将来的に改良や適応の余地がある。
Structured文章構造	研究デザインと手法はTRIPODガイドラインに準拠しており、再現性と透明性が確保されている。
PICO / PECO対象・介入・比較・結果	対象者は心臓疾患の診断を受けた成人、介入はAIを用いたデュアルシーケンスCT、比較は従来の臨床/心エコー評価、アウトカムは心筋瘢痕の検出と局所特定。

はじめに：心筋瘢痕検出の現状と課題

どうも、Beyond the Pixelです。心臓の健康を左右する重要な要素の一つに「心筋瘢痕」があります。これは、心筋細胞が失われた後に線維化組織に置き換わった状態のことで、心機能低下や不整脈、突然死のリスクを高めることが知られています。現在、心筋瘢痕の検出には心臓MRI（CMR）が最も信頼性の高い、比較の基準となる方法、すなわちゴールデンスタンダードとされています。しかし、CMR検査は高額であり、検査時間も長く、高度な専門知識を要するため、全ての対象者が容易に受けられるわけではありません。このアクセス性の課題を克服するため、より普及している画像診断法であるCTを用いた心筋瘢痕の検出法が求められていました。

AIがデュアルシーケンスCTを強化：画期的な検出フレームワーク

本研究は、この課題に取り組むため、AI（人工知能）を活用した画期的なアプローチを提案しています。具体的には、日常診療で頻繁に行われる冠動脈CTアンギオグラフィー（CCTA）と冠動脈石灰化スコア（CAC）という二種類のCT検査データを統合した「デュアルシーケンスCT」フレームワークを開発しました。このフレームワークの目的は、CMRによって確認された左心室の心筋瘢痕を、対象者全体レベルおよび個々の心筋セグメントレベルで特定することです。

**Figure 2.** Fig. 2 Workflow of the study. Schematic pipeline for AI-powered dual-sequence CT analysis of myocardial scar. The process includes starting with A study design, B deep learning-based segmentation of cardiac substructures, C radiomics-based whole-heart and segmen- tal scar modeling, and D multimodal clinical imaging integration for scar assessment. CAC, coronary artery calcium; CCTA, coronary解説: 本図は、AIを活用したデュアルシーケンスCTによる心筋瘢痕分析の概略的なパイプラインを示しています。Aは研究デザイン、Bは深層学習に基づく心臓サブ構造のセグメンテーション、Cはラジオミクスに基づく全心臓およびセグメントレベルの瘢痕モデリング、Dは心筋瘢痕評価のためのマルチモーダルな臨床画像統合プロセスを含みます。

この研究では、まず、深層学習モデルの一つであるnnU-Net（医療画像セグメンテーションのための深層学習モデル）を用いて、左心房、左心室、左心室心筋、右心房、右心室といった心臓の主要な構造を自動的にセグメンテーション（画像中の特定の領域を識別・分離）しました。その後、アメリカ心臓協会17セグメントモデル（左心室心筋を17の標準的な領域に分割し、局所的な病変を評価するモデル）に基づいて、心筋を細かく分割しました。次に、CCTAとCAC画像からラジオミクス特徴（医用画像から抽出される、画像内のテクスチャや形状など、人間の目では捉えにくい定量的な情報）が抽出され、さらに心臓の容積指標、冠動脈狭窄の程度、そして対象者の臨床データや心エコー検査の変数もモデルに組み込まれました。

研究デザインと対象者

この後方視的観察研究では、2019年1月から2025年1月までに地元の医療施設でCACスキャン、CCTA、およびCMR検査を受けた対象者が含まれました。CTとCMRの検査間隔を1ヶ月以内とするなど、厳格な選択基準と除外基準が適用され、最終的に合計533名の対象者が本研究に含まれました。この対象者群は、瘢痕の有無に基づいて7対3の比率で学習コホート（373名）とテストコホート（160名）に無作為に分割されました。

**Figure 1.** Fig. 1 Study flowchart of patient selection. The flowchart illustrates the retrospective screening and enrollment process from January 2019 to January 2025 at the local hospital. Of 578 patients who underwent CAC scanning, CCTA, and CMR-LGE, 45 were excluded (e.g., for image misalignment, poor quality, or acute myocardial infarction), yielding a final cohort of 533 patients (169 with scar and 364 with-**解説:** 本図は、2019年1月から2025年1月までの期間に地元の医療施設でCACスキャン、CCTA、CMR-LGE検査を受けた対象者の遡及的スクリーニングおよび登録プロセスを示しています。当初578名の対象者から、画像の位置ずれ、画質の不良、急性心筋梗塞などを理由に45名が除外され、最終的に533名の対象者が含まれました。

対象者の平均年齢は41.79歳で、男性が64.2%を占めました。心筋瘢痕は169名（31.7%）に認められ、その原因としては肥大型心筋症（26.0%）、虚血性心疾患（23.1%）、拡張型心筋症（10.7%）、その他の混合性病因（40.2%）が含まれていました。学習コホートとテストコホートの間で、年齢、性別、BMI、既往歴などの基本的な特徴に統計的に有意な差は見られませんでした。

**Table 1.** Table 1 Baseline characteristics of the study population解説: 本表は、研究対象集団のベースライン特性を示しています。値は、特に明記しない限り、平均±標準偏差または頻度（パーセンテージ）で示されています。p値は、学習コホートとテストコホート間の比較に対するものです。

AIモデルの性能：心筋瘢痕検出の精度

本研究で開発されたAIモデルは、心筋瘢痕の検出において優れた識別性能を示しました。まず、対象者レベルでの評価では、CCTAのラジオミクスモデル単独で、AUC（曲線下面積：診断モデルの識別能力を示す指標で、値が高いほど性能が良い）0.85を達成しました。さらに、CT、臨床データ、心エコー検査の特徴を組み合わせた統合モデルでは、AUC 0.91という高い性能を示しました。これは、既存の臨床的・心エコー的モデル（それぞれAUC 0.63、0.72）と比較して、CTラジオミクス特徴を組み込むことで診断性能が大幅に向上したことを意味します。

**Table 2.** Table 2 Diagnostic performance of CCTA radiomics and combined models for detecting myocardial scar at the patient level解説: 本表は、対象者レベルでの心筋瘢痕検出におけるCCTAラジオミクスモデルおよび複合モデルの診断性能を示しています。テストコホートにおける臨床モデル、心エコーモデル、ラジオミクスモデル、および複合モデルの最高性能が示されています。

**Table 3.** Table 3 Diagnostic performance of CAC radiomics and combined models for detecting myocardial scar at the patient level解説: 本表は、対象者レベルでの心筋瘢痕検出におけるCACラジオミクスモデルおよび複合モデルの診断性能を示しています。CCTA-CAC一致コホートの内部テストコホートにおけるCACラジオミクス、統合CT、およびマルチモーダル複合モデルの最高性能が示されています。

また、心筋のセグメントレベルでの分析では、CMRで心筋瘢痕が確認された対象者において、CCTAとCACを組み合わせたモデルがAUC 0.80を達成しました。これにより、AIとデュアルシーケンスCTが、心臓全体の瘢痕の有無だけでなく、瘢痕が存在する心筋の特定の領域を識別できる可能性が示されました。

**Table 4.** Table 4 Diagnostic performance of radiomics models at the segment level解説: 本表は、セグメントレベルでの瘢痕検出におけるラジオミクスモデルの診断性能を示しています。テストコホートにおけるCAC、CCTA、およびCCTA-CAC複合ラジオミクスモデルのセグメントレベルでの瘢痕検出の最高性能が示されています。

**Figure 3.** Fig. 3 Comprehensive performance evaluation of different models for predicting myocardial scar at the patient level. ROC curves, DCA, and radar plots are shown for clinical, echocardiographic, radiom-**解説:** 本図は、対象者レベルでの心筋瘢痕予測における様々なモデルの包括的な性能評価を示しています。臨床モデル、心エコーモデル、ラジオミクスモデル、および統合モデルのROC曲線、DCA（決定曲線分析）、レーダープロットがテストコホートについて表示されています。

モデルの解釈性：瘢痕を予測するCT画像の特徴

AIモデルがどのようにして心筋瘢痕を予測しているのかを理解するため、SHAP分析（機械学習モデルの予測における、各特徴量の貢献度を定量的に示す解釈手法）が用いられました。分析の結果、CCTAとCACのラジオミクスモデルにおいて、特に影響力の高い特徴が明らかになりました。CCTAモデルでは、「exponential_glrlm_RunLengthNonUniformityNormalized」と「wavelet-LLL_firstorder_Median」が最も重要な特徴として挙げられました。RunLengthNonUniformityNormalized（画像内の連続する同じ輝度値の領域の長さの均一性を正規化したラジオミクス特徴）の値が低いほど、心筋瘢痕のリスクが高いと関連付けられました。これは、瘢痕組織がより均一なテクスチャ構造を持つことを示唆しています。また、「log-sigma-3-0-mm-3D_glszm_ZoneEntropy」の値が高いほど、心筋瘢痕の可能性が増加しました。ZoneEntropy（画像内のゾーンのサイズや輝度レベル分布の不確実性を示すラジオミクス特徴）はテクスチャの異質性を測定するため、高い値は瘢痕組織がより不均一で無秩序なテクスチャパターンを持つことを示します。

**Figure 4.** Fig. 4 SHAP analysis of feature contributions in the CCTA and CAC radiomics model at the patient level (blue = high, yellow = low). A SHAP summary plot of the CCTA radiomics model at the patient level. B SHAP summary plot of the CAC radiomics model at the解説: 本図は、対象者レベルでのCCTAおよびCACラジオミクスモデル（RF）における特徴量の貢献度をSHAP分析によって示したものです。青は高い特徴量、黄色は低い特徴量を示します。AはCCTAラジオミクスモデル、BはCACラジオミクスモデルのSHAP要約プロットです。

**Figure 5.** Fig. 5 SHAP dependence plots of the CCTA radiomics model at the patient level. The y-axis indicates SHAP values for individual fea- tures, while the x-axis shows feature values. Trendlines were gener-**解説:** 本図は、対象者レベルでのCCTAラジオミクスモデルにおけるSHAP依存性プロットを示しています。y軸は個々の特徴量に対するSHAP値を示し、x軸は特徴量を示しています。トレンドラインはLOWESS回帰を用いて生成されており、網掛け領域は95%信頼区間を示しています。

これらの特徴は、視覚的には捉えにくい心筋瘢痕による組織密度の低下やCT減弱値の変化、コントラストの不均一な分布などを反映していると考えられます。研究では、瘢痕のある対象者では、線維化した心筋が減弱値が低く、より不均一で無秩序なテクスチャパターンを示すことが示されました。

**Figure 6.** Fig. 6 Representative examples of two male patients (A) without myocardial scar and (B) with myocardial scar confirmed by CMR- LGE. Panels display corresponding CCTA and CAC images, together with SHAP decision plots illustrating how patient-level radiomics features contributed to the prediction of myocardial scar. BSA, body解説: 本図は、心筋瘢痕のない対象者Aと、CMR-LGEによって心筋瘢痕が確認された対象者Bの代表的な症例を示しています。対応するCCTAおよびCAC画像とともに、対象者レベルのラジオミクス特徴が心筋瘢痕の予測にどのように貢献したかを示すSHAP決定プロットが表示されています。

臨床的意義と今後の展望

本研究の最も重要な臨床的意義は、既存のCT検査（CCTAとCAC）から心筋瘢痕に関する情報を引き出すことで、診断価値を向上させ、対象者の追加的な検査負担、費用、時間を削減できる可能性を示した点です。デュアルシーケンスCTを基盤としたこのフレームワークは、CMRのアクセスが限られている医療環境において、心筋瘢痕のリスクが高い対象者を効率的に特定し、CMRによる詳細な評価が必要な対象者を優先的に紹介するための補助的なツールとして機能することが期待されます。また、セグメントレベルでの瘢痕の特定は、瘢痕関連の異常の局所化や空間分布の特性評価に役立ち、疾患評価や標的を絞ったCMR評価を支援する可能性があります。一方で、本研究にはいくつかの限界も存在します。単一施設での研究であり、外部コホートでの検証が行われていないため、結果の一般化にはさらなる検証が必要です。また、研究コホートにおける心筋瘢痕の有病率が比較的高いという特徴があり、一般的なCCTA実施集団における陽性的中率（予測が陽性であった場合に実際に瘢痕がある確率）は低下する可能性があります。したがって、このフレームワークはあくまでスクリーニングツールとして位置づけられ、陽性予測があった場合にはCMRによる確認が必要となります。

結論

AIを活用したデュアルシーケンスCT（CCTAとCAC）は、対象者レベルおよび心筋セグメントレベルの両方で、心臓MRIによって定義された左心室心筋瘢痕の検出において良好な識別性能を示しました。これらの知見は、日常的に取得されるCCTA/CAC画像が、心筋瘢痕に関連する補完的な情報を提供し、適切な臨床現場において高リスクの対象者を特定し、心臓MRIへの紹介を優先順位付けするためのCTベースの補助的なトリアージツールとして機能する可能性を強く支持しています。

用語集

心筋瘢痕: 心筋細胞が失われた後に線維化組織に置き換わった状態。心機能低下や不整脈のリスクとなる。
ゴールデンスタンダード: ある診断や評価において、最も信頼性が高く、比較の基準となる方法。
心臓MRI（CMR）: 心臓の状態を詳細に評価できる画像診断法で、心筋瘢痕検出のゴールデンスタンダード。
冠動脈CTアンギオグラフィー（CCTA）: 造影剤を用いたCT検査で、冠動脈の狭窄や心筋構造を詳細に可視化。
冠動脈石灰化スコア（CAC）: 非造影CTで冠動脈壁の石灰化を定量的に評価する検査。
AI（人工知能）: コンピューターが学習し、人間の知的な作業を模倣・自動化する技術。
nnU-Net: 医療画像セグメンテーション（画像中の特定の領域を識別・分離）のための深層学習モデル。
アメリカ心臓協会17セグメントモデル: 左心室心筋を17の標準的な領域に分割し、局所的な病変を評価するモデル。
ラジオミクス特徴: 医用画像から抽出される、テクスチャや形状など、人間の目では捉えにくい定量的な情報。
AUC（曲線下面積）: 診断モデルの識別能力を示す指標で、値が高いほど性能が良い。
Dice類似度係数: 画像セグメンテーションの精度を評価する指標で、予測領域と正解領域の重なり具合を示す。
SHAP分析: 機械学習モデルの予測における、各特徴量の貢献度を定量的に示す解釈手法。
RunLengthNonUniformityNormalized: 画像内の連続する同じ輝度値の領域の長さの均一性を正規化したラジオミクス特徴。低い値ほど均一なテクスチャを示す。
ZoneEntropy: 画像内のゾーンのサイズや輝度レベル分布の不確実性を示すラジオミクス特徴。高い値ほどテクスチャの異質性が大きい。