AIと神経難病・神経免疫疾患 ── 多発性硬化症 ── 2026-10-16

対象誌と選び方は索引の頁に

多発性硬化症の治療・治験とAI

• 多発性硬化症研究での合成データ生成に用いる生成 AI 手法の妥当性検証：イタリア多発性硬化症レジストリのリアルワールドエビデンスとの比較
  Validation of generative artificial intelligence techniques for synthetic data generation in multiple sclerosis research: A comparison with real-world evidence from the Italian multiple sclerosis registry
  Multiple Sclerosis Journal · 2026-10-14 · 証拠の段階: レジストリデータを用いた後ろ向きの観察研究（合成データの妥当性検証）
  抄録（全訳）

  **背景**

  生成人工知能（AI）で合成データを作り、リアルワールドエビデンスを強化する戦略が出てきている。

  **目的**

  AI で作った合成データが、イタリア多発性硬化症・関連疾患レジストリのデータをどこまで再現できるかを評価した。評価の対象は、早期強力治療とエスカレーション治療の各戦略における、再発とは独立した進行のリスクである。

  **方法**

  同レジストリの患者 1666 例のサブコホートで AI 生成モデルを訓練した。このモデルで、患者 4878 例分の合成データセットを作った。検証には、Synthetic vAlidation FramEwork、Clinical Synthetic Fidelity、Nearest Neighbor Distance Ratio を適用した。実データと合成データの両方で治療戦略を比べた。実データと合成データの両方で治療戦略を比較し、再発とは独立した進行のリスクに焦点を当てた。

  **結果**

  合成データは実データに忠実で、プライバシーも保たれていた。エスカレーション治療と早期強力治療を比べた治療効果の推定値は、実データと合成データで同程度であった。Cox 比例ハザードモデルでは、再発とは独立した進行の初回イベントのリスクについて、合成データでも推定値の頑健性が保たれていた。画像上のリスク因子との関連も、実データと合成データでおおむね同様であった。

  **結論**この結果は、臨床的に定義された研究の場で合成データを利用できる可能性を支持する。

  掲載誌の IF 相当：3.5（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）
  書誌：Iaffaldano P, D’Amico S, Lucisano G, Copetti M, Guerra T, Rocca MA, et al. Validation of generative artificial intelligence techniques for synthetic data generation in multiple sclerosis research: A comparison with real-world evidence from the Italian multiple sclerosis registry. Mult Scler. 2026 Oct 14 [Epub ahead of print]. doi:10.1177/13524585261492525.
  確認の範囲：抄録のみ確認
• 7 テスラでの深層学習による多発性硬化症病変のセグメンテーション：単一コントラストと複数コントラストの MRI 入力の比較
  Deep Learning-Based Multiple Sclerosis Lesion Segmentation at 7 Tesla: Comparison of Single- and Multi-Contrast MRI Inputs
  Journal of Imaging · 2026-10-14 · 証拠の段階: 手法比較の観察研究（予備的エビデンス）
  抄録（全訳）

  病変を自動でセグメンテーション（領域分割）できれば、多発性硬化症（MS）を速く、再現性よく定量評価できる。長期の経過観察の助けにもなる。7T の超高磁場 MRI は空間分解能が高く、病変も見えやすい。一方で、自動解析には難しい点がある。磁場の不均一性、磁化率によるアーチファクト、場所によって変わる画像コントラストなどである。深層学習の手法は通常の磁場強度ではよく機能する。しかし、7T MRI への応用はまだ十分に調べられていない。

  本研究では、nnUNet を 3 通りの入力で評価した。FLAIR のみ、MP2RAGE のみ、MP2RAGE と FLAIR の併用である。データセットは、MS 患者 57 例の縦断的な 7T MRI 115 スキャンである。このうち、別の患者 11 例の 20 スキャンをテスト用に取り分けた。比較のため、別のアーキテクチャとして DeepMedic も評価した。

  テストセットでの nnUNet の平均 Dice 類似係数（DSC）は、併用入力で 0.72、MP2RAGE のみで 0.71、FLAIR のみで 0.66 であった。nnUNet と DeepMedic の間に DSC の有意差はなかった。今回のテストコホートでは、どちらのアーキテクチャでも、MP2RAGE に FLAIR を加えたことによる統計的に有意な上乗せはなかった。一方、MP2RAGE を含む入力は、FLAIR のみの入力を有意に上回った。

  本研究の結果は予備的なエビデンスである。本研究の結果は、ボクセル単位のセグメンテーション性能が主に MP2RAGE の使用と関連していたことを示唆する予備的な証拠である。ただし、病変単位の性能は病変の大きさで変わった。小病変の検出に対するコントラストごとの影響については、さらなる検討が必要である。

  掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）
  書誌：Petrova A, Petrovic I, Berger M, Kravutske Y, Leinkauf J, Rumbak R, et al. Deep Learning-Based Multiple Sclerosis Lesion Segmentation at 7 Tesla: Comparison of Single- and Multi-Contrast MRI Inputs. J Imaging. 2026 Oct 14;12(10):510. doi:10.3390/jimaging12100510.
  確認の範囲：抄録のみ確認

← この号の目次へ