AIと神経難病・神経免疫疾患 ── 2026-10-09
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（0） · 遺伝性神経変性疾患（0） · 神経筋疾患（0） · 多発性硬化症（1） · 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
- Artificial Intelligence–Powered Eye-Tracking Assistive System with You Only Look Once, Version 3 for Individuals with Disabilities抄録（全訳）
障害のある人の支援技術は、社会的包摂を進めるうえで欠かせない。日常生活により十分に参加できるようにするうえでも、支援技術は重要である。本論文では、低コストの頭部装着型視線追跡システムを設計・開発した。目的は、重度の運動障害がある人の生活の質を高めることである。対象は閉じ込め症候群や筋萎縮性側索硬化症（ALS）の人を想定している。
患者は自然な眼球運動だけで介護者とコミュニケーションをとることができる。メッセージを送ることや、車椅子を含むさまざまな機器を操作することもできる。
提案する頭部装着型スマート制御システムは、二つのサブシステムからなる。一つはリアルタイムの画像記録、もう一つは眼の状態の認識である。眼の状態認識システムは、勾配方向ヒストグラム（Histogram of Oriented Gradients）アルゴリズムとサポートベクターマシンで顔を検出する。
第一段階では、Haar Cascade 分類器と顔ランドマーク検出アルゴリズムを使い、未加工の眼の領域を切り出す。第二段階では、切り出した眼の領域を解析し、視線の方向を判定する。解析には YOLOv3（You Only Look Once, Version 3）アルゴリズムと深層学習モデル LeNet を使う。
提案手法は Columbia Gaze Data Set で検証した。このデータセットは Columbia Vision and Graphics Center（CAVE）データベースの一部で、コロンビア大学コンピュータビジョン研究室が管理している。
YOLOv3 深層学習モデルと顔ランドマーク検出を組み合わせたところ、眼の状態の分類精度は 98.94% と非常に高かった。この結果から、システムの精度が高いことが示された。提案した支援システムの運用評価でも、有望で心強い結果が得られた。
掲載誌の IF 相当：0.9（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：Deif MA, Attar H, Elhoseny M, Alomoush W, Alsaqoor S, Chodakowska E, et al. Artificial Intelligence–Powered Eye-Tracking Assistive System with You Only Look Once, Version 3 for Individuals with Disabilities. ELECT. 2026 Oct 7;26. doi:10.5152/electrica.2026.25090.確認の範囲：抄録のみ確認
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
この号では、新しい該当論文はありませんでした。
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
- 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
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。