AIと神経難病・神経免疫疾患 ── 多発性硬化症 ── 2026-10-09
多発性硬化症の治療・治験とAI
- Regularization via gradient attribution for multiple sclerosis lesion segmentation.抄録（全訳）
緒言: 磁気共鳴画像（MRI）から多発性硬化症（MS）の病変を正確にセグメンテーション（領域分割）することは、病勢を確実に監視し、治療効果を評価するための土台である。医療用モノのインターネット（IoMT）に基づく診断基盤では、深層学習モデルが自律的な計算ノードとして働く。こうしたモデルは、相互につながった臨床ワークフローに組み込まれている。この環境では、人が常に監視しなくても病変を確実に検出できることが、運用上も臨床上も欠かせない。これは運用上も臨床上も欠かせない要件である。 方法論上の課題として長く残っているのが、MS の神経画像データセットに特有の著しいクラス不均衡である。この不均衡のため、従来の損失関数では小さな病変が系統的に見落とされる。この不均衡のため、従来の損失関数は小さな病変を系統的に見落とし、精密医療の手段としての自動画像解析の有用性が直接損なわれる。
方法：本研究では Regularization via Gradient Attribution（RGA）フレームワークを提案する。RGA は、勾配に基づく説明可能な人工知能（XAI）のアトリビューションマップを、学習中に能動的な教師信号として使うモジュールである。 RGA では、学習の制約を予測出力のレベルだけに限定しない。偽陰性の病変領域で内部のアトリビューションが低い場合には、ネットワークに追加のペナルティを課す。偽陽性の健常組織領域でアトリビューションが高い場合も同様である。 このフレームワークは特定のアーキテクチャに依存しない。畳み込み型とトランスフォーマー型のどちらのバックボーンネットワークにも組み合わせられる。空間アトリビューション手法も任意のものに対応する。 RGA は、公開されている二つの MS 病変セグメンテーションデータセット（MSLesSeg、3D-MR-MS）で評価した。バックボーンは 3 種類（nnU-Net、UNETR、TransBTS）、XAI 手法は 2 種類（LayerCAM、Integrated Gradients）を用いた。評価は 5 分割交差検証で行った。
結果：どちらのデータセットでも、RGA はベースラインに比べて Dice 類似係数（DSC）、真陽性率（TPR）、病変単位の真陽性率（LTPR）を一貫して改善した。最良の構成は nnU-Net + RGA であった。DSC は MSLesSeg で 0.7056、3D-MR-MS で 0.7466 であった。どのバックボーンでも、DSC が最も高かったのは RGA を加えた場合であった。 定性的な解析でも、この結果が裏付けられた。いずれのモデルアーキテクチャでも、見落とした病変の領域が明らかに減った。一方で、偽陽性の予測はそれほど増えなかった。 考察: RGA は、病変レベルでの高い検出の網羅性、モデルの解釈可能性、推論時の追加計算コストがゼロであることを同時に満たす。病変単位で検出の漏れが少ないこと、モデルを解釈できること、推論時の追加計算コストがゼロであることである。このため RGA は、IoMT 志向の精密医療パイプラインに組み込める、方法論的な裏付けのある手法といえる。ただし、臨床やエッジデバイスに実装する前に、専用の導入検証が必要である。ただし、臨床現場やエッジデバイスに実装する前には、導入に向けた専用の検証が必要である。
掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-10-08 時点の値、2026-10-09 に取得。正式な IF（Clarivate）ではない）書誌：Giugliano S, Sannino G. Regularization via gradient attribution for multiple sclerosis lesion segmentation. Front Med (Lausanne). 2026 Sep 23;13:1907567. doi:10.3389/fmed.2026.1907567; PMCID: PMC13642209.確認の範囲：全文を確認