【目的】心房細動は不整脈の一種で、心臓内の血液が淀み血栓ができやすくなるため脳梗塞のリスクになる。日常的に心電図を計測し、心房細動が発生していないかをモニターする事により治療方針が決定できるが、膨大な量の心電図データとなるため精度の高い検出方法の開発が望まれる。
【方法】本研究では、着用型ホルター心電計の利用による心電図の日常的なモニタリングと、機械学習による心房細動の自動検出を行った。着用型ホルター心電計は、長時間のモニタリングが可能である一方で、データが正しく取得できていない時間も含まれている。また、教師データを作成するために、長時間の心電図データに対して異常の開始・終了時間を詳細にラベル付けすることは、専門家にとっても大きな負担である。このような問題を解決すべく、長時間の心電図へ効率良くアノテーションを行うことのできるソフトウェアの開発と、半教師付き学習の枠組みを導入した深層学習モデルの実装を行った。
【結果】着用型ホルター心電計による24時間モニタリングデータに、「正常」、「心房細動」、「計測不調」のラベルを付与した教師データを作成した。計測不調のラベルを学習に加えることで、深層学習による心房細動の検出精度の向上を確認した。
【考察・結論】半教師あり学習の枠組みを利用することで、ラベル付けされたデータに加えて、未ラベルのデータを活用することができる。これにより、アノテーションの負担を軽減するだけでなく、心房細動のサブクラス分類や心房細動以外の異常の検出を試みる。
【倫理的配慮】データの取得、使用に際しては、大阪大学医学部附属病院倫理審査委員会の承認を得ている。