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す． 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． No reflowおよびSlow flowはprimary PCI患者の17.1%，12.9%に認められたとする報告がありbabapoor2022， 別の研究では約10%のprimary PCI患者に発症したと報告されているwu2011． いずれも心筋への酸素供給が絶たれることから，追加の処置が必要となり， 手術時間の増加と患者予後の悪化が問題となる． 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． 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． また，血管拡張薬の冠動脈内投与には， 低血圧などの全身性副作用のデメリットもあるrezkalla2017． そこで，PCI手術中に血管壁やプラークの状態を確認できるIVUSに着目したhibi2013． 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．

AMI患者において，IVUS上の減衰プラーク（attenuated plaque） の量（医師による手動のアテニュエーションスコアリングにより定量化）は， PCI後の血管造影上の血流がNo reflow/Slow flowを合わせた複合基準（TIMI flow grade 2以下） を満たした患者と満たさなかった患者との間で有意差があることが報告されているwu2011． なお，減衰プラークの存在の有無自体には有意差はなく， その量においてのみ有意差が認められた． 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wang2026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

• AMI症例での発症頻度の出典 → babapoor2022, wu2011で解消
• 血管拡張薬による事後治療の限界の記述 → 削除（ユーザー指摘）
• 術前リスク判明時の予防的対応の出典 → 削除（一般的な臨床知識のため出典不要と判断）
• 重大な予後不良因子の記述 → 「追加の処置が必要となり，手術時間の増加と患者予後の悪化が問題となる」に一般化し，出典不要と判断
• KSCNetの元となった腎結石分類手法の文献 → wang2026（USCNet）で解消

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．