Noninvasive Assessment of Arterial Compliance and Lumen Pressure in Human Carotid Arteries Using Physics-Informed Neural Networks and Ultrasound Imaging: A Clinical Feasibility Study

技術要約：PINNsと超音波を用いた動脈コンプライアンスおよび管腔圧の非侵襲的評価

問題提起
心血管疾患は依然として世界の死亡原因の主要な要因であり、動脈硬化（動脈の硬さ）は有害な転帰の重要な独立した予測因子である。頸動脈・大腿動脈間の脈波伝播速度（PWV）のようなグローバルな指標はリスク層別化に有用であるが、これらは空間的に平均化された推定値しか提供できない。動脈硬化プラークや頸動脈狭窄などの多くの血管病変は、グローバルな指標では捉えきれない局所的かつ不均一な機械的特性の変化を引き起こす。従来の画像診断法には限界がある。MRIはプラーク組成に対して高い解像度を提供するが、コスト、時間、および空間解像度（約0.7 mm）の制約を受ける。また、超音波エラストグラフィ（せん断波）は、信号対雑音比（SNR）の低さや複雑な波の相互作用により、狭窄または石灰化した動脈では困難を伴う。さらに、超音波による測定値（壁運動と血流）を、動脈コンプライアンスや管腔圧の定量的かつ空間的に解像された推定値へと変換することは、依然として大きな課題である。これは、解析モデル（例：Moens-Korteweg）が均質性と無限の幾何学的形状を仮定しているためであり、疾患のある血管ではこれらの仮定が崩れるからである。既存の逆問題解法は、臨床的に取得が困難な精密かつ非侵襲的な境界条件を必要とすることが多い。

手法
本研究では、高フレームレートの超音波データから、空間的に変化する動脈コンプライアンスおよび管腔圧を推定するために設計された、物理情報ニューラルネットワーク（PINN）フレームワークを評価する。

• データ取得: 5名の被験者（健康な被験者1名、頸動脈狭窄を有する被験者4名）から、Verasonics Vantage 256システムおよびPhilips L7-4トランスデューサを用いて、高フレームレート超音波データ（実効フレームレート3 kHz）を取得した。プロトコルには、コヒーレントコンパウンディングを用いた平面波イメージングを使用した。
• 信号処理:
  • 脈波イメージング (PWI): ビームフォーミングされたRFデータに対して正規化相互相関（NCC）を用い、動脈壁の運動（変位および速度）を抽出した。
  • ベクトル血流イメージング (VFI): 2D NCCと特異値分解（SVD）フィルタリングを用いて、壁運動から血流を分離し、2D血流速度を推定した。血流が乱流によって劣化する狭窄症例においては、フレームワークは壁運動データのみに依存した。
• PINNアーキテクチャ:
  • 支配方程式: モデルは、コンプライアンスを持つ不均質な血管内における脈波伝播を記述する線形化1次元偏微分方程式（PDE）に基づいており、管腔面積の変化とコンプライアンス（$k_p$）を介して圧力を結びつけるBramwell-Hill関係を組み込んでいる。
  • ネットワーク構造: マルチスケールフーリエ特徴マッピング（離れた時空間スケールを扱うため）を備えた全結合フィードフォワードネットワークであり、3つの隠れ層（64ニューロン、tanh活性化関数）を持つ。入力は空間（$x$）と時間（$t$）であり、出力は管腔面積（$A$）、軸方向血流速度（$u$）、および圧力（$P$）である。
  • 損失関数: ネットワークの予測と測定データとの不一致（データ忠実度）を最小化すると同時に、支配的なPDEへの準拠（物理残差）を強制する複合損失関数を用いる。本モデルはメッシュフリーであり、明示的な境界条件の指定を必要としない。
• 学習: ネットワークはAdamオプティマイザを使用して20,000イテレーション学習された。健康な被験者については、計算時間を短縮するためにデータをダウンサンプリング（16エレメント）し、狭窄症例では局所的な不均一性を捉えるためにフル解像度（128エレメント）を利用した。

主な貢献

1. PINNsの臨床的実現可能性: 本研究は、以前に検証されたPINNフレームワークを、イン・シリコ（in silico）やファントム研究を超えて、ヒトの頸動脈というin vivo（生体内）環境に適用した最初の事例であることを示す。
2. データの希少性に対する堅牢性: フレームワークは、狭窄領域における血流データの信頼性の低さといった臨床的な課題にうまく適応した。狭窄症例において壁運動データのみに依存することで、明示的な境界条件を必要とせずに収束性と精度を維持した。
3. 空間的に解像された推定: グローバルなPWVとは異なり、本モデルは空間的に変化する動脈コンプライアンスと管腔圧のマップを生成し、機械的特性の変化をBモード超音波で見える解剖学的特徴と直接相関させた。
4. 非侵襲的な圧力再構成: 本モデルは、侵襲的なカテーテル操作や明示的な境界条件の入力なしに管腔圧波形を再構成し、生理学的な期待値と一致する波形を生成した。

結果

• 健康な被験者: モデルは、壁運動と血流速度の両方において0.2%未満の正規化差という高い精度を達成した。推定されたコンプライアンスマップは一様であり、健康な解剖学的構造と一致していた。PINNから導出されたグローバル平均コンプライアンス（$2.98 \times 10^{-9} \text{ m}^2/\text{Pa}$）は、Moens-Kortewegによる推定値（$1.3 \times 10^{-9} \text{ m}^2/\text{Pa}$）と異なっていたが、これはPINNが解析モデルの単純化された仮定よりも、血流と解剖学的影響を統合していることに起因する。
• 狭窄症例:
  • 精度: 分岐部のような複雑な幾何学的形状においても、壁運動の再構成誤差は低く保たれた（最大差 <0.48%）。
  • コンプライアンス・マッピング: モデルは、Bモード画像で観察されるアテローム性動脈硬化プラークや解剖学的遷移（例：頸動脈球）と空間的に相関する、局所的なコンプライアンスの変化（硬化）を特定することに成功した。音響シャドウ（石灰化を示す）があるケースにおいても、モデルは減少したコンプライアンスを正しく推定した。
  • 血流データの取り扱い: 狭窄症例では、乱流によりVFIデータがノイズが多くなるか欠損していた。しかし、モデルは壁運動データのみを用いて正常に収束し、不完全な臨床データに対する適応性を示した。
• 計算性能: 標準的なデスクトップGPU（NVIDIA Quadro RTX 5000）において、学習時間は20分（健康な被験者、ダウンサンプリング時）から1.5時間（狭窄症例、フル解像度）の範囲であり、オフライン解析としての臨床的実現可能性を示した。

意義および主張
本論文は、本研究が、局所的な動脈コンプライアンスおよび管腔圧の非侵襲的かつ患者固有のマッピングのためのPINNsの臨床的実現可能性を確立したと主張している。これらの知見は、以下の臨床ワークフローへの本技術の導入を支持するものである：

• リスク層別化: 単なる狭窄度ではなく、局所的な機械的特性に基づく「脆弱な」プラークの特定。
• 個別化された評価: 侵襲的な処置なしに詳細な血管健康プロファイルを提供。
• 補完的な診断: MRIやIVUSによるさらなる調査が必要な高リスク患者を特定するためのプレスクリーニングツール、あるいは縦断的なモニタリングツールとしての活用。

著者らは、本実現可能性研究において絶対的な精度を侵襲的な圧力測定に対して検証していないことを認めつつも、結果は有望であると控えめに述べている。彼らは、臨床への完全な採用を実現するためには、今後の研究においてモデルの次元数（2D/3Dへの移行）、非線形な組織特性、およびより多様で大規模な患者コホートに対処する必要があると強調している。