Flow-based conditional cardiac anatomy generation for virtual cohorts

あなたは、新しい心臓弁を設計しようとしている医師だと想像してください。単に一人の患者でテストするだけでは不十分です。背の高いアスリートから小柄な高齢者まで、若い成人から高齢者まで、何千人もの異なる人々に対してそれがどのように機能するかを知る必要があります。かつて、科学者たちは、実際のMRI画像をスキャンして、それを3Dコンピュータモデルに変換することで、患者の「デジタルツイン」を構築しようと試みてきました。しかし、これは、街中のすべての人から一冊ずつ本を借りて図書館を作ろうとするようなものです。それは時間がかかり、コストも高く、プライバシーの規則によって個人のスキャンデータの共有が制限されているため、しばに不可能なことでもあります。

この問題を解決するために、研究者たちは「バーチャル・コホート（仮想集団）」、つまりコンピュータによって生成された、偽物ではあるが現実的な心臓のグループを作ろうとしています。これは、ビデオゲームのキャラクタークリエイターのようなものです。特定の体型の60歳の男性、あるいは異なる体格の25歳の女性にふさわしい心臓を、コンピュータに生成させたいと考えています。課題は、これらの偽の心臓が単なる「平均的な」塊にならないようにすることです。現実の人間は驚くほど多様です。丸い心臓もあれば、長いものもあり、巨大なものもあれば、極めて小さなものもあります。もしコンピュータが「平均的な」心臓しか作れないとした 경우、あなたの新しい弁は平均的な人には機能するかもしれませんが、分布の端にいる人々に対しては失敗してしまうかもしれません。目標は、これらの違いを理解し、特定の現実世界のグループに一致する、ユニークな心臓の群衆を生成できるジェネレーターを作ることです。

ここで、「Flow-based conditional cardiac anatomy generation for virtual cohorts（バーチャル・コホートのためのフローベース条件付き心臓解剖学的構造生成）」と題された新しい論文が登場します。コンスタンティノス・ケブポロススとマティアス・ペイリンクス率いる研究チームは、CAN-FLOWと呼ばれる新しいツールを導入しました。彼らは、単に一般的な心臓を一つ作るのではなく、誰に求められたかに応じて変化する心臓の群衆を作ることができるコンピュータシステムを構築できるかどうかを検証したかったのです。「BMIが25の50歳男性の心臓をください」とか、「80歳の女性の心臓を一つください」といった具合に。

これを行うために、彼らは従来の方法を打ち破らなければなりませんでした。以前、ほとんどの科学者は、**条件付き変分オートエンコーダー（cVAE）**と呼ばれる手法を使用していました。cVAEは、学生が教科書を暗記しようとしているようなものだと考えてください。学生は、さまざまな心臓に関するすべての情報を、一つの厳格な「ノート（共有された数学的ルール）」に圧縮することを強制されます。そして、そのノートは全員に対して同じものでなければなりません。問題は、このノートが混み合いすぎてしまうことです。あらゆる情報を詰め込もうとするあまり、学生は独特で奇妙な詳細を滑らかにして（平均化して）しまいます。その結果、生成された心臓は見た目は悪くないものの、すべてが疑わしいほど似通ってしまいます。まるで、クラスの生徒全員が同じ解答集を写したような状態です。これでは、集団の端にある稀な、しかし重要なバリエーションを見逃してしまいます。

著者らは、この従来の方法はあまりにも硬直的であると主張しています。彼らは、よりマスターシェフと副料理長が協力し合うような、二段階の戦略であるCAN-FLOWを提案しています。

1. ステップ1（シェフ）： まず、コンピュータに実際の心臓のスキャン画像を見せ、「モーメンタ（momenta）」と呼ばれる特別な言語を用いてそれらを記述することを教えます。これは、複雑な3Dの心臓の形状を、標準的なテンプレートの心臓をどのように引き伸ばしたり押しつぶしたりするかという一連の指示へと翻訳するようなものです。決定的なのは、この段階では、コンピュータは誰であるか（年齢、性別、体重など）を無視し、単に形状だけに集中することです。これにより、心臓の幾何学的構造のクリーンでシンプルなマップが作成されます。

2. ステップ2（副料理長）： 次に、彼らは**条件付きノーマライジング・フロー（conditional normalizing flow）**と呼ばれる別のツールを使用します。このツールは、ステップ1のマップを見て、それらの形状が個人の詳細に基づいてどのように変化するかというルールを学習します。例えば、年齢が上がるにつれて心臓の形がどのように変化する傾向があるか、あるいは男性は女性よりも心臓が大きい傾向があるといったことを学習します。

チームは、UKバイオバンクからの2,208個の健康な心臓を用いてこのシステムを訓練しました。そして、彼らの新しいCAN-FLOWシステムを、従来のcVAE手法と比較しました。結果は、CAN-FLOWが人間の多様性の全範囲を捉えることに非常に優れていることを示唆しています。

従来のcVAE手法によって生成された心臓を見たとき、それらはあまりにも均一であることがわかりました。それはまるで、コンピュータが「最も一般的な」心臓だけを作り、外れ値（アウトライヤー）を無視しているかのようでした。対照的に、CAN-FLOWは、より幅広いサイズと形状をカバーする心臓を生成しました。論文は、CAN-FLOWが分布の「裾（テイル）」、つまり従来のメソッドが見逃していた、稀ではあるが現実的な心臓の形状をうまく再現したことを示しています。例えば、特定の年齢や体格に基づいて心臓を求めたとき、CAN-FLOWは、現実世界と同じように自然に変化するグループを生成しましたが、旧来のメソッドは、全員がほとんど同一に見えるグループを生み出しました。

彼らはこれをいくつかのテストを用いて測定しました。生成された偽の心臓が正しい容積と質量を持っているかをチェックしたところ、CAN-FLOWは実データにより密接に一致していることがわかりました。また、心臓の表面の微細な詳細についても、点ごとに調査しました。旧来のメソッドは、心臓をあまりにも滑らかで互いに似通ったものにする傾向がありましたが、CAN-FLOWは、それぞれの心臓を独特にする特有の凹凸や曲線を保持していました。

重要な点として、この論文は、このアプローチが「in silico（コンピュータ内）」の臨床試験においてゲームチェンジャーになり得ることを示唆しています。新しい薬やデバイスを、たった一つのデジタル心臓や二つのデジタル心臓でテストする代わりに、医師は特定の人口統計学的特性に一致するように生成された600種類の異なる心臓の仮想的な群衆に対してテストを行うことができます。これにより、治療法が平均的な人だけでなく、珍しい心臓の形を持つ人々に対しても効果があるかどうかを確認できるようになり、医学的テストをより安全で包括的なものにすることができます。

しかし、著者らは自身の研究の限界についても注意深く述べています。彼らはこれらを、特定のイギリスのグループからの健康な心臓に対してのみテストしました。疾患を持つ心臓や、異なる背景を持つ人々に対して機能することをまだ証明していません。また、彼らは心臓の静止画（血液で満たされている時の見た目）のみを生成しており、心臓が鼓動する動的な映像（動画）ではありません。しかし、概念実証として、この論文は、「形状の学習」と「個性の学習」を分離することで、以前よりもはるかに現実的で有用なバーチャル・コホートを構築できることを示唆しています。これは、一人ひとりをスキャンする必要なく、多様な人口統計学的特性を持つデジタル・ヒューマン上で医療行為をシミュレートできる未来への一歩です。