カテーテルアブレーション 今日の論文（2026年10月03日）

【論文1】トランスフォーマーベースの自己教師なし分類器を用いた、心室性不整脈アブレーションを受ける患者における心内電気図からの心筋中層および心外膜線維化の有無および特徴の同定。

────────────────────────────────────────

■ 論文情報
Liu Xichong, Qayyum Abdul, Bandyopadhyay Sabyasachi et al.
Circulation. Arrhythmia and electrophysiology（2026）｜PMID: 42411286
https://pubmed.ncbi.nlm.nih.gov/42411286/

────────────────────────────────────────

■ 概要（日本語）

背景：カテーテルアブレーションは心室性不整脈の管理に不可欠な手法であるが、手技中に非心内膜性の不整脈原性基質を特定する能力が限られているため、手技の持続的な成功が妨げられている。 遅延増強心磁気共鳴画像法（CMR）は心筋線維化を検出するためのゴールドスタンダードであるが、費用、ワークフローの複雑さ、および植込み型医療機器を装着している患者におけるアーチファクトなどの障壁により、術前の利用は制限されている。我々は、心内電図が心内膜表面より深部の瘢痕を推測するのに十分な情報を提供し、この情報を機械学習技術によって活用できるという仮説を立てた。
方法：本後ろ向き研究では、心室性不整脈アブレーションを受けた46名の患者から収集された、合計131,584件の心内接触型心電図（EGM）信号を対象とした。 瘢痕タイプの分布が類似するよう確保しつつ、患者単位の層別分割を用いて、訓練／検証セット（N=37）およびテストセット（N=9）を作成した。また、位置合わせされた心臓磁気共鳴画像（MRI）と電気解剖学的マッピングの表面メッシュを用いて瘢痕ラベルを作成するための、新たな画像処理ワークフローを開発した。 EGM波形またはEGMから導出された短時間フーリエ変換スペクトログラムのいずれかを使用する基本的な畳み込みニューラルネットワークモデルと並行して、トランスフォーマーベースの自己教師ありモデル「EGM2Scar-AI」を開発した。
結果：基本モデルおよび短時間フーリエ変換ベースの畳み込みニューラルネットワークの、タスク固有の受信者動作特性曲線下面積（AUC）の平均値は、それぞれ0.729（0.725-0.732）および0.729 (0.726-0.733)であったのに対し、EGM2Scar-AIは3つの瘢痕タイプすべてにおいて、平均ROC曲線下面積0.822 (0.819-0.825)を示し、有意に優れた性能を発揮した。 すべてのモデルは、心内膜および心筋中層の線維化の識別において優れた性能を示したが、心外膜の線維化については性能がわずかに低下した。特異度に目立った変化は見られない一方で、トランスフォーマーベースのアーキテクチャでは感度が有意に向上した。
結論：本研究は、トランスフォーマーベースの自己教師あり深層学習モデルを用いることで、日常的な心内電図から心内膜、心筋中層、および心外膜の瘢痕を同定できることを実証した。 最終的に、本モデルは、外部画像診断を必要とせずに電気生理学的処置中に磁気共鳴画像（MRI）と同様の線維化マップを提供し、心室性不整脈研究における患者特異的モデルのためのデータセット規模を拡大する可能性を秘めている。

────────────────────────────────────────

■ Abstract（English）

BACKGROUND: Catheter ablation is an essential tool for ventricular arrhythmia management, yet sustained procedural success is hindered by the limited ability to identify nonendocardial arrhythmogenic substrates during the procedure. Although delayed enhancement cardiac magnetic resonance imaging is the reference standard for detecting myocardial fibrosis, barriers including cost, workflow complexity, and artifacts in patients with implantable devices limit its preprocedural use. We hypothesized that intracardiac electrograms provide sufficient information to infer scar beyond the endocardial surface and that this information can be harnessed by machine learning techniques.
METHODS: This retrospective study included a total of 131 584 cardiac contact electrogram (EGM) signals collected from 46 patients undergoing ventricular arrhythmia ablation. A stratified patient-wise split was used to create the training/validation set (N=37) and the testing set (N=9), while ensuring a similar distribution of scar types. We developed a novel image-processing workflow to create scar labels using coregistered cardiac magnetic resonance imaging and electroanatomic mapping surface meshes. We developed a transformer-based self-supervised model, EGM2Scar-AI, alongside basic convolutional neural network models using either EGM waveforms or EGM-derived short-time Fourier transform spectrograms.
RESULTS: The average task-specific area under the receiver operating characteristic curve of both the basic and short-time Fourier transform-based convolutional neural networks was 0.729 (0.725-0.732) and 0.729 (0.726-0.733), respectively, while EGM2Scar-AI performed significantly better with an average area under the receiver operating characteristic curve of 0.822 (0.819-0.825) across all 3 scar types. All models performed better on endocardial and mid-myocardial fibrosis identification, with a modest reduction in performance for epicardial fibrosis. Sensitivity improved significantly with the transformer-based architecture without appreciable changes in specificity.
CONCLUSIONS: Our study demonstrates that routine intracardiac electrograms enable the identification of endocardial, mid-myocardial, and epicardial scar using a transformer-based self-supervised deep learning model. Ultimately, our model has the potential to provide magnetic resonance imaging-like fibrosis maps during EP procedures without the need for external imaging and to increase the data set size for patient-specific models in ventricular arrhythmia research.

════════════════════════════════════════

※ 論文データはPubMed（NCBI）より取得。翻訳はDeepLを使用しています。
#カテーテルアブレーション #アブレーション #医学論文 #CatheterAblation #臨床工学技士