AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-10-10

対象誌と選び方は索引の頁に

パーキンソン病・パーキンソン症候群の治療・治験とAI

• AGMNet：MRI の不均一性とドパミン系の左右非対称性を統合した、パーキンソン病分類のための説明可能なゲート付きマルチモーダル枠組み
  AGMNet: an explainable gated multimodal framework integrating MRI heterogeneity and dopaminergic asymmetry for Parkinson's disease classification.
  Frontiers in artificial intelligence · 2026-09-24 · 証拠の段階: 後ろ向きの観察（既存画像データでのモデル開発・5 分割交差検証）
  抄録（全訳）

  はじめに：パーキンソン病（PD）は、時間とともに悪化する神経疾患である。パーキンソン病（PD）は時間とともに悪化する神経疾患であり、大脳半球間の左右非対称性、ドパミン作動性ニューロンの変性、脳の構造変化を特徴とする。

  方法：本論文では新しい手法として、説明可能なゲート付きマルチモーダル深層学習の枠組みである AGMNet（Adaptive Gated Multimodel Network）を示す。AGMNet は、説明可能なゲート付きマルチモーダル深層学習の枠組みである。PD を頑健に分類するため、次の四つを組み合わせる。この枠組みは、構造的磁気共鳴画像（MRI）、ドパミントランスポーター（DaT）画像、左右非対称性を考慮した表現、バイオマーカーの特徴量を組み合わせ、PD を頑健に分類する。AGMNet には Grad-CAM も組み込み、分類の判断に影響する画像領域を特定することで、モデルの解釈性を高めている。分類の判断に影響する画像領域を特定し、モデルを解釈しやすくするためである。AGMNet の性能は 5 分割交差検証で評価した。AGMNet の性能は five-fold 交差検証で評価し、VGG16、VGG19、InceptionV3、Xception といった既存の深層学習アーキテクチャとも比較した。

  結果：AGMNet の正解率は 0.8318、バランス正解率は 0.8278 だった。感度は 0.8556、特異度は 0.8000 だった。受信者動作特性曲線下面積（AUC）は 0.711、マシューズ相関係数（MCC）は 0.6458 だった。評価したベースラインのアーキテクチャと比べて、分類性能は遜色なかった。融合した表現への寄与は、DaT 画像、左右非対称性を考慮した特徴量、バイオマーカー表現の組み合わせのほうが、MRI の特徴量だけより大きかった。 考察：この結果は、AGMNet の適応的なマルチモーダル融合により、構造、機能、左右非対称性、バイオマーカーという互いに補い合う情報を、PD の分類のために統合しやすくなる可能性を示している。統合するのは、構造、機能、左右非対称性、バイオマーカーに関する、互いに補い合う情報である。学習したゲートの重みからも、この枠組みでは機能に関する情報と左右非対称性を考慮した情報が重要であることがうかがえる。また Grad-CAM により、モデルの判断について新たな手がかりが得られる。したがって AGMNet は、マルチモーダルな PD 分類に役立つ可能性があり、解釈しやすい枠組みである。

  掲載誌の IF 相当：6.0（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）
  書誌：Abinaya TG, Sivashankari R. AGMNet: an explainable gated multimodal framework integrating MRI heterogeneity and dopaminergic asymmetry for Parkinson's disease classification. Front Artif Intell. 2026 Sep 24;9:1849408. doi:10.3389/frai.2026.1849408; PMCID: PMC13645758.
  確認の範囲：全文を確認

← この号の目次へ