Introduction（ドラフト）

心筋梗塞や狭心症に代表される虚血性心疾患は，冠動脈の狭窄あるいは閉塞により心筋への血流が阻害され，胸痛や心筋障害を引き起こす重大な疾患群である．動脈硬化の進行に伴い血管壁に形成されるプラークはこの狭窄の主因であり，プラークが肥大化することで血管内腔が狭小化し，心筋への血液供給が低下する．こうした患者に対しては冠動脈バイパス術や経皮的冠動脈形成術（percutaneous coronary intervention: PCI）が行われており，このうちPCIはカテーテルを用いた低侵襲治療として広く普及している．

しかしPCIには，No reflowおよびSlow flowと呼ばれる合併症のリスクが伴う．No reflowは，ステント留置などにより狭窄そのものは解消されるものの，病変部の拡張過程で流出したプラーク内容物や血栓が末梢の微小血管を閉塞し（末梢塞栓，distal microembolization），末梢血流が完全に遮断された状態を指し，微小血管攣縮もその一因とされる．Slow flowは，血流が完全には遮断されないものの著しく遅延した状態である．これらの合併症はPCI後の患者の約10〜20%に発症するとされbabapoor2022，急性心筋梗塞（AMI）症例では約10%以上の頻度で発症するとの報告もある【要出典】．いずれも心筋への酸素供給が絶たれることから，心不全の新規発症や心筋梗塞の再発，院内死亡率の上昇など，重大な予後不良因子となることが知られている【要出典】．発症後は血管拡張薬の冠動脈内投与などの治療が行われるが，既に末梢の毛細血管を閉塞している脂質や壊死物質などを除去することはできず，また急激な血圧低下や不整脈といった副作用のリスクも伴うため，事後治療のみでは限界がある【要出典】．こうした背景から，合併症の発症後に対処するのではなく，発症そのものを未然に防ぐ予防的戦略の確立が重要な課題となっている．

術前にNo reflowやSlow flowのリスクが高いと判明した場合，臨床現場では病変遠位部にステント留置前から末梢保護デバイス（distal protection device）を留置する，あるいは血管拡張薬をあらかじめ冠動脈内投与するといった予防的対応が取られる【要出典】．末梢保護デバイスは高リスク病変に対しては有効である一方，準備に伴う負担からすべての症例に適用することは現実的でなく，術前の正確なリスク層別化が不可欠となる．血管内超音波（IVUS）は血管壁やプラークの状態を可視化でき，病変部に関する有用な情報を提供する．しかしIVUS画像の読影には専門的な知識を要するうえ，血管径やプラーク組成など複数の因子が複雑に絡み合うため，目視のみによる高精度なリスク予測は困難であり，IVUS画像から定量的にリスクを評価する手法が求められている．

IVUS上で観察される減衰プラーク（attenuated plaque）の量については，合併症を発症した患者群と発症しなかった患者群との間に有意差が認められるとする報告があるwu2011．これは，減衰プラークが多いほど血栓形成や微小血管閉塞が生じやすく，合併症のリスクが高まる可能性を示唆するものである．しかしこのスコアリングは医師による手動評価にとどまっており，自動化・客観化された予測手法が求められている．

No reflowやSlow flowの予測に有効な情報は，IVUS画像そのもの，患者の臨床変数，病変の形態の交差点に存在すると考えられる．一方でこれらの合併症は発症自体が比較的稀であり，アウトカムがラベル付けされた症例の中でも陽性例はさらに限られるため，これらの情報をエンドツーエンドに学習しきることは難しい．

以上を踏まえ，本研究ではIVUS画像，患者の臨床情報，病変のプラーク特徴を統合的に扱うアーキテクチャ「KSCNet」を提案する．KSCNetは，もともと腎結石の分類のために開発された3Dアーキテクチャ【要出典】を，IVUSデータの構造に合わせて再設計したものである．IVUSのプルバック画像はCTのような等方的な3Dボリュームではなく，時系列に沿った異方的な2D断面の系列であることから，3D畳み込みの代わりに，重み共有された2Dのフレーム単位エンコーダとフレーム間のTransformerによる系列モデリングを採用する．具体的には，(1) 患者単位の臨床情報とプラーク特徴（減衰プラークの面積など）を統合した特徴ベクトルをフレーム系列への追加トークンとして注入し画像表現と相互作用させる仕組み，(2) 血管腔・血管壁のセグメンテーションを補助タスクとして用い，その特徴を手がかりに症例レベルの特徴をcross-attentionにより集約する仕組み，(3) セグメンテーション損失と分類損失を動的に重み付けするマルチタスク損失，という3つの要素を統合している．これにより，画像のみを用いる手法，臨床情報のみを用いる表形式手法，および既存の減衰プラークスコアリング手法と比較して，IVUS画像・臨床情報・病変特徴を組み合わせることが予測性能の向上に寄与するかを検証する．

挿入した【要出典】プレースホルダー一覧

1. AMI症例での発症頻度「約10%以上」の出典（¶2）
2. 重大な予後不良因子（心不全新規発症・心筋梗塞再発・院内死亡率上昇）の出典（¶2）
3. 血管拡張薬による事後治療の限界（脂質・壊死物質の除去不可・血圧低下や不整脈のリスク）の出典（¶2）
4. 術前リスク判明時の予防的対応（末梢保護デバイス留置・血管拡張薬事前投与）の出典（¶3）
5. KSCNetの元となった腎結石分類手法（KidneyStoneSC/USCNet）の文献（¶6）

Introductionから移動した内容（2. Related Work用メモ、未配置）

以下はユーザー指摘によりIntroductionから削除したが，Related Workで使える可能性があるため残しておく．「多くの研究」という表現の妥当性は要検証．

• これまでNo reflowやSlow flowの予測に関する研究の多くは，IVUS画像から得られる情報を用いつつも従来型の統計モデルを中心とした解析にとどまっており，深層学習を用いた研究はほとんど行われてこなかった【要出典・「多く」の妥当性要検証】．
• 我々自身も先行検討として（短報として発表済み），IVUS画像に極座標変換を適用したうえで，医師のアノテーションから算出した減衰プラークの角度統計量（平均・最大・最小・標準偏差）をCNN-LSTMアーキテクチャに明示的に統合する手法を提案している．この手法は画像と減衰プラーク由来の統計量のみを用いるものであり，患者の臨床情報や血管・プラーク領域のセグメンテーションは統合されていなかった．