AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-10-07
パーキンソン病・パーキンソン症候群の治療・治験とAI
- Three-Stage Deep Learning Approach for Alzheimer’s and Parkinson’s Disease Detection抄録（全訳）
目的：アルツハイマー病（AD）とパーキンソン病（PD）の診断はまだ難しい。既存の AI による神経画像ツールは、用途ごとに単独で使われるのが普通である。既存の手法は、診断、マルチモーダル解析、進行の追跡のいずれかに、それぞれ単独で用いられている。本研究は、これらを一つの診断・予後予測パイプラインにまとめることを目指した。そのために、3 段階の統合型深層学習フレームワークを開発した。 デザイン・方法・アプローチ: フレームワークの開発・検証には、OASIS、ADNI、PPMI、TCIA の各データベースを用いた。フレームワークは、順につながる 3 段階からなる。 第 1 段階は MHNFSP である。まず、MRI/fMRI 画像をファジィ c-means 法で領域分割する。次に、フーリエ変換、エントロピー、畳み込みの各特徴量を抽出する。続いて、クジラ最適化アルゴリズム（Whale Optimisation Algorithm）で特徴量を選ぶ。最終予測は、ニューラルネットと統計手法を組み合わせたハイブリッド分類器が行う。 第 2 段階では、マルチモーダルの評価を行う。MRI、CT、X 線のデータを、マルチヘッド自己注意機構で融合する。関心領域の分割には UNet++ を、視覚的な説明には Grad-CAM++ を使う。 第 3 段階は LMST-ADNet で、疾患の経時的なモデル化を担う。MRI、PET、fMRI の結合性データに、臨床・遺伝情報を組み合わせる。手法として、モダリティごとのエンコーダ、時間方向のモデル化、自己教師あり事前学習を用いている。 研究の限界:これらのデータは、実臨床の患者集団がもつ人口統計上・臨床上の多様性を、十分には反映していない可能性がある。臨床に導入する前には、一般化できるかを確かめる必要がある。そのためには、外部の前向き多施設検証と、未使用の臨床コホートでの検証が欠かせない。
結果：マルチモーダル融合段階の正解率は 95.3% であった。専門家が示した領域との一致は、平均 Dice スコアが 0.92、Intersection over Union（IoU）が 88.0% であった。LMST-ADNet 段階は、分類正解率 96.8%、AUC 0.982 を達成した。進行リスク予測の C 指数は 0.91 であった。アブレーション研究（構成要素を外して効果をみる解析）で、時間方向のモデル化が性能に大きく寄与することを確かめた。自己教師あり事前学習を加えると、性能はさらに上がった。 実務上の意義: 提案した 3 段階システムは、臨床医や放射線科医が使える統合ツールである。早期診断、モダリティ間の相互確認、神経変性疾患の進行の長期モニタリングを支援できる。診断の遅れを減らし、より個別化した治療計画を後押しできる可能性がある。 社会的意義: AD と PD をより早く、より確実に見つけられれば、次の効果が期待できる。期待される効果は、患者の生活の質の向上、介護者の負担の軽減、長期的な医療費の削減である。ここでの医療費とは、診断の遅れや疾患管理に伴って生じる費用を指す。とりわけ、リスクの高い高齢化集団に恩恵がある。 独自性・価値: これまでの手法は、診断、マルチモーダル融合、進行予測を別々の問題として扱ってきた。本研究は、これらを一つの一貫したフレームワークにまとめた 3 段階のアーキテクチャを提案する。本研究では、領域分割に基づく分類、説明可能なマルチモーダル融合、トランスフォーマーに基づく経時的な進行モデル化の三つを統合した。神経変性疾患の研究に、より包括的な評価の道筋を示すものである。
掲載誌の IF 相当：1.2（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：Mohod SK, Thakare RD. Three-Stage Deep Learning Approach for Alzheimer’s and Parkinson’s Disease Detection. AJAR. 2026 Oct 6;12(6):279-88. doi:10.26437/2tqabv67.確認の範囲：抄録のみ確認 - An explainable EEG connectome framework for frequency-resolved analysis of functional connectivity alterations in Parkinson’s disease抄録（全訳）
パーキンソン病（PD）は神経変性疾患で、ドパミン神経細胞の変性を特徴とする。その結果、さまざまな運動症状と非運動症状が現れる。PD を理解するには、脳の機能的結合の解析が欠かせない。脳波（EEG）は、そのための非侵襲的で有用な手段である。複雑ネットワーク解析と説明可能な人工知能（XAI）を組み合わせると、PD で障害される脳の神経機序をより深く理解できる。個人ごとのコネクトーム解析では、脳ネットワークの個人差を考慮できる。そのため、診断と治療をより正確に行える。疾患に関連する特有のパターンも特定できる。
本研究では、31 人の被験者の脳波信号を解析し、複雑ネットワークを作った。脳波のスペクトル成分を複数の周波数サブバンドに分け、サブバンドごとにコネクトームを作成した。ネットワークの主要な特徴量として、次数や中心性指標などを抽出した。これらを XGBoost アルゴリズムに入力して分類し、あわせて XAI モデルも用いた。これらのモデルは、脳波データを体系的に解析するための枠組みを与える。異なる周波数帯に含まれる情報を、すべて活用できる。
モデル全体の成績は、AUC 0.85 ± 0.03、適合率 0.84 ± 0.07、正解率 0.80 ± 0.05 であった。脳波の 5 つのリズムについて、コネクトームを個別に解析した。その結果、θ 帯のコネクトームの性能が最もよかった（AUC 0.82 ± 0.03、適合率 0.76 ± 0.04、正解率 0.75 ± 0.03）。すべての脳波リズムのコネクトームをまとめたマルチコネクトームも解析した。その成績は AUC 0.72 ± 0.04、正解率 0.67 ± 0.06、適合率 0.68 ± 0.07 であった。
特徴量の寄与は SHAP アルゴリズムで評価した。この統合により、モデルは帯域ごと、複数帯域、全体という三つの水準で、脳活動のパターンをとらえることを目指している。三つの水準とは、帯域ごと、複数帯域、全体である。これにより、最終予測の精度と解釈性を高めることを目指している。
本研究は、PD に関わる脳の結合と神経機序について新しい視点を示す。周波数帯ごとに脳波の結合を解析することは重要である。神経の結合をより包括的に理解するうえで、XAI モデルは重要な役割を果たす。本研究は、これらの点の重要性を強調し、PD の基盤にある機序を明らかにしようとするものである。
著者らの貢献は三つある。周波数帯別のコネクトームモデルを使ったこと、複数の複雑ネットワーク特徴量を XGBoost 分類器と統合したこと、SHAP に基づく XAI を適用したことである。これにより、PD に関連する脳の結合性の変化を、解釈可能な形で、個人ごとに解析できる。
掲載誌の IF 相当：5.2（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：Romano D, Magarelli M, Novielli P, Cuna F, Diacono D, Di Bitonto P, et al. An explainable EEG connectome framework for frequency-resolved analysis of functional connectivity alterations in Parkinson’s disease. Sci Rep. 2026 Oct 5 [Epub ahead of print]. doi:10.1038/s41598-026-71386-5.確認の範囲：抄録のみ確認