脈波画像AIによる血管年齢分類の新手法
脈波の形態は、年齢を重ねるごとに変化します。これは心血管系の構造的・機能的な変化を反映しているためです。この脈波の変化を捉えることで、血管年齢を推定し、心血管疾患のリスク評価に役立てる研究が進んでいます。今回、光電脈波（PPG）や動脈トノメトリーから得られる脈波の時系列データを、Symmetric Projection Attractor Reconstruction (SPAR) 法を用いて画像に変換し、深層学習モデルで解析する新しいアプローチが発表されました。この手法は、健康な成人を特定の年齢層に分類する際に、非常に高い精度を示すことが確認されています。
血管年齢が示す健康リスク
血管年齢は、実際の暦年齢とは異なり、血管の健康状態を示す重要な指標です。血管の早期老化は、将来的な心血管疾患リスクの増加を示唆するため、無症状の成人においてもリスク層別化をサポートする価値があります。従来の脈波解析は、特定のパラメータを抽出して評価することが多かったですが、この研究では脈波全体の「形」を画像として捉えることで、より包括的な情報を用いた解析を可能にしました。これにより、初期段階での健康状態の変化を捉え、予防的な介入に繋がる可能性が広がります。
SPAR法と深層学習による解析
研究では、PPGと動脈トノメトリーから得られた脈波の時系列データを、SPAR法という独自の技術で画像に変換しました。SPAR法は、時系列データを特定の空間に投影し、その軌跡を画像として表現する手法です。このSPAR画像は、脈波の複雑な形態的特徴を視覚的に捉えることができます。生成されたSPAR画像を、畳み込みニューラルネットワーク（CNN）で学習させ、健康な被験者を2つの年齢層（35-40歳と50-55歳）に分類するタスクを実行しました。CNNは画像認識に特化したAIモデルであり、脈波の微細な形態的特徴を学習するのに適しています。
高い分類精度と今後の可能性
このモデルは、内部および外部のテストセットの両方で一貫した分類性能を示しました。PPG信号とトノメトリー信号の両方で、F1スコアが70%を超える高い精度を達成しています。これは、SPAR法で生成された脈波画像が、年齢が近い健康な成人であっても、識別可能な形態的特徴を含んでいることを強く示唆しています。私の見方では、この結果は、脈波の「形」から読み取れる情報が、これまで以上に詳細な健康状態の評価に繋がる可能性を示しています。特に、健康な状態であっても微細な変化を捉える能力は、早期発見において極めて重要です。
私の見方：ウェアラブルデバイスへの期待
この概念実証は、スマートウェアラブルデバイスを用いた早期リスク検出への道を開くものです。現在、多くのスマートウォッチやフィットネストラッカーがPPGセンサーを搭載しており、日常的に脈波データを取得することが可能です。この技術が実用化されれば、ユーザーは自身の血管年齢の変化を継続的にモニタリングし、異常の兆候を早期に検知できるようになります。私は、この研究が、予防医療の分野において、ウェアラブルデバイスが果たす役割を大きく拡大させると確信しています。一次情報を日常的に取得し、AIで解析するサイクルは、個人の健康管理を劇的に進化させるでしょう。
脈波を画像化してAIで年齢分類。この発想は面白いです。ウェアラブルデバイスで取得できるデータは宝の山。健康管理は一次情報でぐるぐる回すのが正解です。私も自分の脈波データをすぐ取って試します。
