Overview
学校心臓検診は、学童期の心疾患（特に突発死につながる致死性不整脈や心筋症など）を早期発見するための極めて重要な制度です。しかし、多くの検診現場では紙媒体の心電図（12誘導）が用いられており、膨大な数の目視判定は専門医にとって多大な負担となっています。 本プロジェクト（こどもハート）では、「学校心臓検診実践マニュアル」の医学的知見に基づき、スキャンされた紙の心電図画像から波形をデジタル化・解析するAIシステムを開発。一次スクリーニングの精度と効率を飛躍的に向上させるとともに、「突発死につながる異常波形は絶対に見逃さない」安全網（セーフティネット）の構築を実現しました。
プロジェクト概要
学校心臓検診は、学童期の心疾患（特に突発死につながる致死性不整脈や心筋症など）を早期発見するための極めて重要な制度です。しかし、多くの検診現場では**紙媒体の心電図（12誘導）**が用いられており、膨大な数の目視判定は専門医にとって多大な負担となっています。 本プロジェクト（こどもハート）では、「学校心臓検診実践マニュアル」の医学的知見に基づき、スキャンされた紙の心電図画像から波形をデジタル化・解析するAIシステムを開発。一次スクリーニングの精度と効率を飛躍的に向上させるとともに、**「突発死につながる異常波形は絶対に見逃さない」安全網（セーフティネット）**の構築を実現しました。
技術的課題
アナログ（紙媒体）データの壁
デジタル変換の前処理
スキャンされた心電図画像は、背景の記録紙のマス目（グリッド線）、かすれ、傾きなどのノイズが多く含まれています。画像から純粋な心電図シグナルのみを抽出し、デジタル時系列データ化（Digitization）する高度な前処理が必要でした。
致死性異常の「見逃しゼロ」要請
クラス不均衡と偽陰性リスク
WPW症候群、QT延長症候群、ブルガダ症候群など、小児の突発死につながる微細な異常波形は発生頻度が低く、通常の分類モデルでは「正常」に埋もれてしまう（偽陰性）リスクがありました。
開発したAIアーキテクチャ
本システムは3層構造のAIパイプラインとして設計されています。近年、心電図AI分野でも **大規模事前学習モデル（ECG Foundation Model）** の研究が急速に進んでおり（Stanford RACED、Yale ECG-FMなど）、膨大な心電図データで事前学習したモデルをファインチューニングする手法が主流になりつつあります。本プロジェクトでは、ラベル付きデータが限られる小児検診という実環境に合わせ、このトレンドを踏まえた **転移学習ベースのFM-ECGアーキテクチャ** と、教師なし学習による **VAE異常検知** を組み合わせたデュアルAI構成を採用しました。
紙心電図の高精度デジタル化
Digitization.ipynb / OpenCV
OpenCVを用いた画像処理技術により、赤や緑のグリッド線を色空間（HSV等）で分離・除去。スキャン画像から黒い波形のみを抽出し、2値化・細線化を経て1次元のデジタル時系列データへの変換アルゴリズムを構築しました。
細粒度マルチラベル分類（FM-ECG）
Fine-grained Multi-label Framework
心電図画像から複数の所見（右脚ブロック、左室肥大、ST異常など）を同時に検出するマルチラベル分類器を実装。局所的な特徴（P波・QRS群・T波の微細な変化）を捉えるアテンション機構を取り入れ、医師の「読み方」に近い診断ロジックを深層学習で再現しました。
VAEによる「見逃し防止」異常検知
Variational Autoencoder / vae.py
教師あり学習の弱点である「未知の異常や極めて稀な疾患の見逃し（突発死リスク）」を防ぐため、VAEによる教師なし学習の異常検知パイプラインを併用。「正常な小児心電図」のみを学習させたVAEで再構成誤差（Reconstruction Loss）が大きい波形をアラートとして上げるセーフティネットを構築しました。
最新AI研究との関連性
ECG Foundation Model の台頭
2023〜2025年にかけて、心電図AI分野でも大規模事前学習モデル（Foundation Model）の研究が急伸しています。代表例として、Stanfordの **RACED**（100万件超のECGで事前学習）やYaleの **ECG-FM** があります。これらは少量のラベル付きデータでも高精度な診断が可能であり、小児という希少データ問題を抱える本プロジェクトとの親和性が高いアプローチです。本システムの次世代版では、こうしたFoundation Modelのファインチューニングへの移行を検討しています。
クラス不均衡問題
稀少疾患の偽陰性を最小化するため、Focal Lossによる損失関数の調整とクラス重みの最適化を実施。感度（Sensitivity）の最大化を優先した学習設計。
アテンション機構
QRS群・T波などの局所的・時系列的特徴を捉えるため、1DConv＋Transformerのハイブリッド構造を採用。12誘導間の相関も考慮した設計。
Grad-CAM可視化
医師が診断根拠を確認できるよう、Grad-CAMによる注目領域の可視化機能を実装。「なぜこの波形を異常と判定したか」をヒートマップで表示。
検診パイプラインフロー
プロジェクト情報
カテゴリ
AI開発 / 医療AIシステム / スクリーニング
年度
2024
分野
小児循環器 / 学校心臓検診 / 12誘導心電図解析
データソース
学校心臓検診実践マニュアル / 心電図の見分け方
言語
Python
技術スタック
キーワード
ハイライト
- ✓紙の心電図をAIでデジタル変換するOpenCV前処理パイプラインの設計・実装
- ✓FM-ECG（細粒度マルチラベル）＋VAE（異常検知）のデュアルAIアーキテクチャ
- ✓致死性不整脈（WPW / QT延長 / ブルガダ）の見逃しゼロを目指すセーフティネット設計
- ✓Grad-CAMによるAI診断根拠の可視化（XAI）で専門医の信頼性向上
- ✓ECG Foundation Model（Stanford RACED, Yale ECG-FM）の最新研究を踏まえた設計