AIと神経難病・神経免疫疾患 ── 基礎（総論） ── 2026-10-07
神経変性・神経免疫の基礎研究の進展とAI
- Machine Learning Applied to Montreal Cognitive Assessment Subdomains for Differential Diagnosis of Neurodegenerative Movement Disorders: Classification Limits and Deterministic Score Reconstruction抄録（全訳）
神経変性による運動障害は、認知・行動面の特徴が重なり合う。そのため、早い段階で見分けるのはまだ難しい。モントリオール認知評価（MoCA）は 30 点満点のスクリーニング検査で、広く使われている。ただし、MoCA の下位領域の得点だけで多クラスの鑑別診断を自動化できるかは分かっていない。MoCA の得点そのものを予測できるかどうかについても、同じことが言える。この点については、方法論に基づいた厳密な評価が必要である。
本研究は、教師あり機械学習アルゴリズムを二つの課題で調べた。データは、米国国立神経疾患・脳卒中研究所（NINDS）のパーキンソン病バイオマーカープログラムの臨床データ（N=64）である。
一つ目の課題は、運動障害の診断を多クラスで分類することである。対象の内訳は次のとおりである。
- パーキンソン病（PD、n=27）
- 神経疾患の診断なし（対照、n=14）
- 進行性核上性麻痺（PSP、n=9）
- 本態性振戦（ET、n=8）
- 大脳皮質基底核変性症（CBD、n=1）
- 多系統萎縮症（MSA、n=1）
- その他（n=4）
二つ目の課題では、MoCA を構成する各領域の項目から総得点を数値として予測・再構成した。外部検証には、パーキンソン病進行マーカー・イニシアチブ（PPMI）の 1499 件の記録を使った。
層別 5 分割交差検証では、多クラスの診断分類の性能はごく限られていた。学習させたモデルのうち、マクロ平均 F1 スコアが最も高かったのはロジスティック回帰である。その値は 0.362（95% 信頼区間 0.284〜0.440）であった。分類の正解率は、常に最多クラスを答えるだけの単純なベースラインに及ばなかった（ベースライン 0.463 対 0.366）。
ブートストラップ再標本化では、性能が上がったように見えた。ニューラルネットワークのマクロ F1 は 0.558（95% 信頼区間 0.512〜0.604）、AdaBoost は 0.555 であった。しかしこれは、疑似的な反復標本から生じた楽観的なバイアスである。これは、臨床で真に一般化できることを示すものではなく、疑似的な反復標本の抽出がもたらす楽観的なバイアスを反映したものである。
総得点を連続値として予測する課題では、線形回帰と確率的勾配降下法が内部データにほぼ完全に当てはまった（R2 はそれぞれ 1.000、0.996）。外部の PPMI コホートでも、ほぼ完全な性能を保った（R2 0.992、0.991、平均二乗誤差（MSE）≤0.077）。
ただし著者らは、この回帰の成功が独立した臨床予測ではないことを示した。総得点は各項目の足し算で定義されている。モデルはその定義を数学的に復元したにすぎず、これは標的リーク（target leakage）にあたる。
MoCA の領域得点だけでは、疾患に固有のばらつきが足りない。そのため、複雑なパーキンソン症候群は鑑別できない。臨床分類を自動化するには、神経画像、体液、デジタル運動のバイオマーカーを組み合わせる必要がある。本研究の結果はこの点を強調している。
掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）書誌：Olanrewaju KB, Mbue ND. Machine Learning Applied to Montreal Cognitive Assessment Subdomains for Differential Diagnosis of Neurodegenerative Movement Disorders: Classification Limits and Deterministic Score Reconstruction. Bioengineering. 2026 Oct 4;13(10):1161. doi:10.3390/bioengineering13101161.確認の範囲：抄録のみ確認