冠動脈狭窄は一般的な心血管疾患であり、重度で未治療の場合は心臓発作のリスクが大幅に高まります。現在、冠動脈造影（X線血管造影）が狭窄診断のゴールドスタンダードですが、侵襲的で時間とリソースを要するため、症状や事前の臨床検査で疾患の可能性が高い患者にのみ実施されています。しかし、特に無症状の患者の中には診断されないままのケースがあります。
心電図（ECG）は迅速・低コスト・非侵襲的であり、無症状の患者でも日常的に記録されるため、ECGから狭窄の兆候を検出できれば早期診断に貢献します。しかし、これまでECGに信頼できる狭窄特異的信号は見つかっておらず、狭窄リスク層別化には使用できませんでした。
この課題に対処するため、研究者らはStenCEという事前学習フレームワークを提案しました。StenCEは、ECGから直接導出された特徴に基づいて患者を層別化することを可能にします。その核心は、クロスモーダル対比学習を用いてECGと血管造影の表現を事前学習段階で整列させる点にあります。具体的には、同一患者のECGと血管造影の特徴を潜在空間で近づけ、異なる患者の特徴を遠ざけるように学習します。これにより、血管造影ラベルなしでもECGエンコーダは狭窄関連パターンを学習できます。
評価では、様々な狭窄重症度閾値でStenCEをテストし、さらに他のECG疾患分類タスクでも評価しました。その結果、異なるECGエンコーダで一貫した性能向上が見られ、先行研究を上回りました。得られたモデルはECG中の狭窄診断シグナルを検出することに成功し、重度狭窄分類において初めて高性能を達成しました。
本研究はNikola Cenikjら7名によって行われ、2026年5月23日にarXiv（arXiv:2606.02605）に投稿されました。機械学習（cs.LG）に分類され、人工知能（cs.AI）や画像・動画処理（eess.IV）にも関連しています。ソースコードはGitHub（https://github.com/NikolaCenic/ecg-stenosis-cls）で公開されており、研究コミュニティによる再現と更なる開発が可能です。
StenCEの意義は、日常的なECGから診断情報を引き出す新たな道を開くことにあります。これにより、ECGが非侵襲的で低コストな狭窄スクリーニングツールとなり、特に症状が出ていないが重度狭窄リスクのある患者の特定に役立つ可能性があります。将来的には、臨床ワークフローに統合され、医師の早期介入決定を支援することが期待されます。