どうも、Beyond the Pixelです。分娩中の胎児の健康状態を把握するために、心拍数と子宮収縮を連続的に記録する心拍数陣痛図（CTG: Cardiotocography）は不可欠なツールです。しかし、専門家間の解釈のばらつきや、約60%にも及ぶ高い偽陽性率といった課題があり、不必要な介入や、時に深刻な胎児アシドーシス（胎児の血液が酸性に傾く状態）の発見遅れにつながる可能性があります。これらの課題を克服するため、今回ご紹介する研究では、胎児の心拍数と子宮収縮の信号から重度胎児アシドーシス（臍帯動脈血pHが7.05未満）のリスクを特定する、エンドツーエンドの深層学習意思決定支援フレームワーク「CTG-FRAME（CardioTocoGraphy–Fetal Risk Assessment and Monitoring Engine）」が開発・検証されました。このシステムは、高い精度だけでなく、周産期医療現場での実用性を重視した設計が特徴です。
どうも、Beyond the Pixelです。分娩中の胎児の健康状態を把握するために、心拍数と子宮収縮を連続的に記録する心拍数陣痛図（CTG: Cardiotocography）は不可欠なツールです。しかし、専門家間の解釈のばらつきや、約60%にも及ぶ高い偽陽性率といった課題があり、不必要な介入や、時に深刻な胎児アシドーシス（胎児の血液が酸性に傾く状態）の発見遅れにつながる可能性があります。これらの課題を克服するため、今回ご紹介する研究では、胎児の心拍数と子宮収縮の信号から重度胎児アシドーシス（臍帯動脈血pHが7.05未満）のリスクを特定する、エンドツーエンドの深層学習意思決定支援フレームワーク「CTG-FRAME（CardioTocoGraphy–Fetal Risk Assessment and Monitoring Engine）」が開発・検証されました。このシステムは、高い精度だけでなく、周産期医療現場での実用性を重視した設計が特徴です。CTGは妊娠28週頃から分娩までの継続的な胎児監視のゴールデンスタンダードとして機能しますが、その臨床的有効性は、前述のばらつきと偽陽性によって制限されています。特に、重度アシドーシスを見逃すことは、不必要な帝王切開を行うよりも臨床的な影響が大きいとされています。また、CTG信号はノイズが多く、センサーの脱落、動きによるアーチファクト、ベースラインのドリフトなどが発生しやすいため、信頼性の高い解釈には事前の信号処理が不可欠です。これまでの自動CTG分析は、手動で抽出した特徴量や従来の機械学習手法に依存していましたが、生信号に埋め込まれた微妙な非線形生理学的特徴を捉えるには不十分でした。特に、胎児心拍数（FHR）の減速と子宮収縮（UC）の発生タイミングとの関係性という、臨床的に決定的な情報がうまく扱えないという課題も残っていました。加えて、重度アシドーシスが稀であるという固有の特性から、利用可能なデータセットではクラス不均衡が深刻であり、モデル開発における制約となっていました。したがって、単なる高い精度だけでなく、臨床的な意思決定支援システムとして、ケアのエスカレーションを導く役割を明確に定義することが求められています。
CTG-FRAME：多角的アプローチで胎児アシドーシスリスクを評価
Tjondronegoro氏らの研究チームは、これらの相互依存する課題を統一されたパイプラインで解決するため、CTG-FRAME（CardioTocoGraphy–Fetal Risk Assessment and Monitoring Engine）を開発しました。これは、分娩中の胎児心拍数と子宮収縮信号を用いて、重度胎児アシドーシス（臍帯動脈血pHが7.05未満）のリスクを特定するためのエンドツーエンドの深層学習意思決定支援フレームワークです。CTG-FRAMEは、信号の前処理、多モーダル表現学習、トレーニング戦略といった各要素が連携して最適化されるように設計されています。このフレームワークは、大きく分けて以下の5つの要素を統合しています。第一に、ラベル付けされていないCTG記録からロバストな生理学的表現を学習するための自己教師ありモーメンタムコントラスト（MoCo）事前学習。第二に、局所的な形態学を捉えるハイブリッドなResNet-TCNエンコーダと、臨床的に重要な信号間の時間関係を捉える双方向クロスアテンション。第三に、深刻なクラス不均衡の下での最適化を安定させ、多数派クラスへの予測崩壊を防ぐための、難易度を考慮した多段階カリキュラム。第四に、二値アシドーシス分類、不確実性定量化を伴う連続pH回帰、および専門家が行動しやすいようにイベントをセグメンテーションする、臨床的に駆動される多目的目標。第五に、CTU-UHBデータセットでの内部交差検証と、SPaMデータセットでの外部キャリブレーションによる二重検証戦略。
Figure 1. Fig. 1 FHR and UC signals from a sample CTG recording of the CTU-UHB dataset [4]. Representative fetal heart rate (FHR) and uterine contraction (UC) signals from a single cardiotocography (CTG) recording in the CTU-UHB dataset. Blue traces show the raw signals as typically encountered in routine intra partum monitoring, including noise and artifacts. Orange traces show the same signals after cleaning using the CTG-FRAME preprocessing pipeline, and green traces show the normalized signals used as model inputs.(a) FHR signal illustrating physiological variability and common artifacts in raw recordings, such as transient signal dropouts. (b) Corresponding UC signal from the same recording, demonstrating contraction timing and intensity, which provides essential context for interpreting FHR changes. For both panels, the x-axis represents time (samples), and the y-axis represents fetal heart rate (beats per minute) or uterine contraction intensity (mmHg or relative units), respectively解説: CTU-UHBデータセットからのCTG記録サンプルにおけるFHR（胎児心拍数）とUC（子宮収縮）の信号を示しています。青い線は通常遭遇する生信号のノイズやアーチファクトを含む状態を、オレンジの線はCTG-FRAMEの前処理パイプラインでクリーニングされた後の信号を、緑の線はモデル入力として使用される正規化された信号を示します。これは、生信号に含まれるノイズや信号欠損をクリーニングし、モデルが扱える形に標準化するプロセスを視覚化しています。Figure 3. Fig. 3 Data preparation and input construction for CTG-FRAME (advanced pathway). Overview of the advanced data preparation workflow, designed to reflect routine clinical CTG interpretation. Raw FHR and UC signals are first reviewed for physiologically implausible values and transient artifacts, analo gous to excluding obvious signal loss or probe displacement at the bedside. Short gaps consistent with brief monitoring interruptions are cautiously in terpolated, while longer signal absences are preserved as missing data. The cleaned traces are then examined across overlapping time windows to reflect continuous bedside review, with windows stratified by early and late labor phases to account for changing physiological context as delivery approaches. These windows are assembled into model-ready inputs that retain the temporal relationship between FHR and UC, reflecting how clinicians assess heart rate responses relative to uterine contractions. Hand-crafted features and metadata are generated solely for ablation analyses and visualisation and are not used by the final model解説: CTG-FRAMEのデータ準備と入力構築の高度なパスウェイの概要を示しています。生FHRとUC信号はまず信号クリーニングとウィンドウ処理を受けます。クリーニングされた信号はモデル入力として使用され、デュアルフェーズの分娩セグメンテーションを経て、専門家向けに視覚化される結合された特徴ベクトルが生成されます。
Figure 4. Fig. 4 Model architecture. Each FHR and UC signal is first processed independently to extract local morphological patterns. Information from the two signals is then integrated using bidirectional cross-attention, enabling interpretation of heart rate changes in relation to contraction timing. A Transformer encoder aggregates evidence across all time windows to form a case-level representation, which supports risk classification, continuous pH estimation with uncertainty, and localization of clinically relevant signal segments解説: CTG-FRAMEのモデルアーキテクチャを示しています。FHRとUCの各信号は、まずResNet-TCNエンコーダによって局所的な形態パターンが抽出されます。次に、双方向クロスアテンションを用いて両信号の情報が統合され、グローバルな文脈化のためのTransformerエンコーダへと送られます。最終的に、この統合された情報に基づいて、アシドーシス確率分類、連続pH回帰、およびイベントセグメンテーションの3つの多目的出力が生成されます。
Figure 5. Fig. 5 Difficulty-aware multi-stage training curriculum. Overview of the CTG-FRAME training strategy. Training progresses from self-supervised pre-train ing to a three-stage supervised curriculum (W0–W2). The curriculum uses adaptive sampling and task weighting to focus learning on clinically relevant and challenging cases, addressing severe class imbalance and supporting a deployment-relevant operating point解説: CTG-FRAMEの難易度を考慮した多段階トレーニングカリキュラムの概要です。まず、ラベルなしCTGデータを用いた自己教師あり事前学習（MoCo v2）が行われ、エンコーダの重みが学習されます。次に、段階W0、W1、W2からなる多段階教師あり学習が続き、適応的なTPF（目標陽性率）調整やエンコーダのフリーズ/アンフリーズが行われます。このプロセスを経て、モデルの選択とOOF（Out-of-Fold）予測が行われ、最終的な集計された性能指標が評価されます。
Table 1. Table 1 Dataset for development, internal validation, and external calibration assessment Criterion CTU-UHB SPaM Records available 552 300 Severe acidemia, n (%) 44 (≈8%) 60 (20%; by design) pH threshold ≤7.05 (consistent throughout) ≤7.05 (consistent throughout) Comparator group All pH > 7.05 cases pH > 7.25 (enriched non-acidemic) Gestational age Not individually reported; intrapartum cohort ≥36 weeks (singleton) Signal quality inclusion ≥40 min usable within final 90 min >60 min; <15% signal loss; delivery within 10 min Second-stage exclusion >30 min excluded Not specified in public documentation Reference standard Arterial cord pH (validated) Arterial cord pH (validated) Role in study Development and internal validation External post-training calibration check only解説: モデルの開発、内部検証、および外部キャリブレーション評価に使用されたデータセット（CTU-UHBとSPaM）の基準を比較しています。各データセットの記録数、重度アシドーシスの症例数と割合、pH閾値、比較グループ、妊娠週数、信号品質要件、第二期分娩の除外基準、参照ゴールデンスタンダード、および研究における役割が示されています。
二値胎児アシドーシス分類：意図された臨床運用閾値（約0.52）において、プールされたアウトオブフォールド予測は、保守的でエスカレーションと整合性のとれた性能プロファイルを示しました。識別性能は高く、AUROC（受信者操作特性曲線下面積）は0.888（95% CI 0.832–0.937）でした。感度（リコール）は0.850（0.771–0.909）、特異度（陰性一致率）は0.964（0.950–0.986）でした。このバランスは、未検出のアシドーシスの臨床的コストが、レビューのための偽陽性紹介のコストを大幅に上回る分娩時エスカレーションの決定に適した、意図的な非対称性を反映しています。
連続pH回帰（重症度推定）：回帰ヘッドは、数値的に正確で一致した重症度推定を生成しました。RMSE（二乗平均平方根誤差）は0.563 pH単位（95% CI 0.516–0.612）で、一致相関係数（CCC）は0.823（0.780–0.856）でした。これは、低い平均誤差と限定された系統的バイアスを示しており、モデル出力を単なる二値の代替マーカーではなく、連続的な重症度マーカーとして使用することを支持しています。
イベントセグメンテーション（解釈可能性支援）：イベントレベルの注釈の稀さと固有の曖昧さにもかかわらず、モデルは臨床的に有益な信号領域の意味のある局所化を示しました。プールされた分析では、マクロDiceスコアは0.333（95% CI 0.269–0.395）でした。このセグメンテーションヘッドは、臨床的ラベリングを置き換えることを意図しているのではなく、症例レベルの予測に寄与する時間領域を特定することで、専門家がトレースがなぜフラグ付けされたのかを監査できるようにします。
Table 7. Table 7 Comparison of CTG-FRAME with related works in automated CTG analysis (trained and tested on CTU-UHB dataset)解説: CTG-FRAMEと、自動CTG分析における関連研究との比較を示しています。各アプローチの主要な差別化要因と根拠、pH閾値、および報告されている性能指標（精度、感度、特異度、F1、AUROCなど）が記載されています。
コメントを残す