心室頻拍（VT）は生命を脅かす不整脈であり、心臓突然死の主な原因の一つである。カテーテルアブレーションはVT治療の重要な手段であり、その中でペースマッピングはアブレーションターゲットを同定するための臨床手技である。術者は心室の様々な部位でペーシングを行い、得られる12誘導心電図を迅速に解釈して、次にどこをペーシングするか、あるいはターゲット部位が同定されたかを判断する必要がある。このプロセスは経験に依存し、時間がかかり、試行錯誤を伴う。
近年、アクティブラーニングAIモデルが次のペーシング部位の選択を支援するために提案され、ペーシング部位数の削減とペースマッピング効率の向上に有望性を示している。しかし、既存の手法には重要な限界がある。それは、各ターゲットごとにモデルを再トレーニングする必要があり、同一患者内の複数のVT間や患者間で知識を転移できない点である。これは、各マッピングがゼロから開始され、過去に蓄積されたデータ情報が無駄になることを意味する。
この問題を解決するため、Dylan O'HaraらはcAPM（継続的AI支援ペースマッピング）フレームワークを提案した。cAPMの中核は、ペーシング部位から12誘導心電図形態へのマッピングを学習するタスク非依存のサロゲートニューラルネットワークである。このネットワークは特定のターゲットに特化して訓練されるのではなく、ペーシング位置と心電図表現の間の内在的な関係を捉える汎用モデルとして機能する。この上に、アクティブラーニング戦略が各ターゲットに対して最も情報量の多いペーシング部位を選択することでサロゲートモデルを洗練させ、最小限のペーシング回数でターゲットを定位する。さらに、継続学習戦略により、モデルは複数のターゲットを順次処理し、新たなターゲットを学習しながら過去のターゲットの知識を保持する（破滅的忘却を回避する）。
研究チームは、異なる生理学的条件と心室形状の下で順次提示される定位タスクを含むインシリコ試験プラットフォームでcAPMを評価した。その結果、過去のデータサンプルのリプレイの有無にかかわらず、cAPMは平均4.5ペーシング部位で81%の定位確率（臨床的に許容される5mm以内の誤差）を達成した。比較として、最先端のアクティブラーニング法では13.7ペーシング部位を要して38%の定位確率であった。これは、cAPMが必要なペーシング部位を約3分の2に削減し、同時に定位成功率を2倍以上に向上させたことを意味する。
この結果は、医療AIにおける継続学習の価値を浮き彫りにする。過去のマッピング経験を蓄積・転移することで、モデルは新たなタスクに迅速に適応し、臨床ワークフローの効率を大幅に改善できる。研究者らは、これらの結果がcAPMをin vivo前臨床および臨床研究へ進めるための強固な基盤を提供すると述べており、将来、実際の臨床環境で医師のペースマッピングを支援し、手術時間の短縮とアブレーションターゲット定位の精度向上に貢献することが期待される。