AIと神経難病・神経免疫疾患 ── 2026-10-07

神経難病・神経免疫疾患と AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「9 の種別のどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。

疾患の種別に読む: 基礎（総論）（1） · ALS（0） · パーキンソン病（2） · 遺伝性神経変性疾患（0） · 神経筋疾患（0） · 多発性硬化症（0） · NMOSD・MOGAD（0） · 重症筋無力症（0） · 自己免疫性脳炎・CIDP・GBS（0）

神経変性・神経免疫の基礎研究の進展とAI

• モントリオール認知評価（MoCA）の下位領域に機械学習を当てはめた神経変性運動障害の鑑別診断：分類の限界と総得点の決定論的な再構成
  Machine Learning Applied to Montreal Cognitive Assessment Subdomains for Differential Diagnosis of Neurodegenerative Movement Disorders: Classification Limits and Deterministic Score Reconstruction
  Bioengineering · 2026-10-04 · 証拠の段階: 後ろ向きの観察（既存コホートデータの機械学習解析と外部検証）
  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

基礎（総論）の論文をすべて見る（1 本）→

筋萎縮性側索硬化症（ALS）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

パーキンソン病・パーキンソン症候群の治療・治験とAI

• アルツハイマー病とパーキンソン病を検出する 3 段階の深層学習手法
  Three-Stage Deep Learning Approach for Alzheimer’s and Parkinson’s Disease Detection
  African Journal Of Applied Research · 2026-10-06 · 証拠の段階: 後ろ向きの観察（公開データベースを用いたモデル開発・検証）
  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
• パーキンソン病の機能的結合の変化を周波数帯別に解析する、説明可能な脳波コネクトームの枠組み
  An explainable EEG connectome framework for frequency-resolved analysis of functional connectivity alterations in Parkinson’s disease
  Scientific Reports · 2026-10-05 · 証拠の段階: 観察研究（31 例の脳波データを用いた機械学習解析）
  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

パーキンソン病の論文をすべて見る（2 本）→

遺伝性神経変性疾患（脊髄小脳変性症・ハンチントン病など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

神経筋疾患（筋ジストロフィー・SMA など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

多発性硬化症の治療・治験とAI

この号では、新しい該当論文はありませんでした。

視神経脊髄炎スペクトラム障害・MOG 抗体関連疾患の治療・治験とAI

この号では、新しい該当論文はありませんでした。

重症筋無力症の治療・治験とAI

この号では、新しい該当論文はありませんでした。

自己免疫性脳炎・CIDP・ギラン・バレー症候群の治療・治験とAI

この号では、新しい該当論文はありませんでした。