胎児心拍数分析のための表形式特徴量と深層学習の融合：胎児仮死検出のための臨床的に解釈可能なモデル
IEEE transactions on bio-medical engineering
|January 12, 2026
まとめ
本研究では、胎児心拍数（FHR）データと臨床情報を組み合わせた解釈可能な深層学習モデルFusion ResNetを開発しました。このモデルは胎児仮死予測において高い精度を達成し、より信頼性の高い心音図（CTG）解釈を提供します。
科学分野:
- 医療情報学
- ヘルスケアにおける人工知能
- 産科および婦人科
背景:
- 心音図（CTG）は、胎児心拍数（FHR）を評価する分娩中の胎児状態モニタリングの標準ツールです。
- 現在のCTG解釈は、感度が低く偽陽性率が高いため、胎児予後の不良を減らす上での有効性に限界があります。
- 胎児仮死の正確な予測は、分娩中の適時介入のために非常に重要です。
研究 の 目的:
- FHR時系列データと表形式の臨床データを統合した解釈可能な深層学習モデルを開発すること。
- 臍帯動脈pH < 7.05と定義される胎児仮死の予測精度を向上させること。
- 臨床現場におけるCTG解釈の信頼性と透明性を向上させること。
主な方法:
- FHR分析のための畳み込みニューラルネットワークと、表形式の臨床特徴量のための並列ネットワークを組み合わせた新しい深層学習アーキテクチャであるFusion ResNetの導入。
- 9,887件のFHR記録からなるプライベートデータセットでのトレーニングと内部検証。
- 公開されているCTU-UHBデータセット（552件の記録）での外部検証と、SHAPおよびGrad-CAMを使用したモデル解釈可能性の評価。
主要な成果:
- Fusion ResNetは、内部交差検証で0.77、外部CTU-UHBデータセットで最先端の0.84のAUCを達成しました。
- このモデルは、胎児仮死予測における既存の深層学習アプローチを上回りました。
- SHAP分析により主要な臨床予測因子が特定され、Grad-CAMは胎児仮死に関連する重要なFHRパターンを明らかにしました。
結論:
- 開発されたFusion ResNetモデルは、マルチモーダルデータを使用した胎児仮死予測の精度を大幅に向上させます。
- モデルの解釈可能性機能は、臨床的に意味のある洞察を提供し、CTG分析の透明性と信頼性を高めます。
- 本研究は、解釈可能なAIが胎児モニタリングの最適化と産科における臨床的意思決定支援の可能性を強調しています。
