AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-10-16

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

• 多系統萎縮症の鑑別診断での機械学習の精度：系統的レビューとメタアナリシス
  Accuracy of Machine Learning in Differential Diagnosis of Multiple System Atrophy: A Systematic Review and Meta‐Analysis
  Movement Disorders Clinical Practice · 2026-10-14 · 証拠の段階: 系統的レビューとメタアナリシス
  抄録（全訳）

  **背景**

  多系統萎縮症（MSA）は、パーキンソン病（PD）や進行性核上性麻痺（PSP）と誤診されることが多い。そのため、診断が大きな課題になっている。

  **目的**

  MSA を他の神経変性疾患と見分ける機械学習（ML）の有効性を、系統的に評価した。

  **方法**

  PubMed、Embase、Cochrane Library、Web of Science を 2025 年 7 月 5 日まで系統的に検索した。対象は、ML で MSA を診断した研究である。バイアスのリスクは QUADAS-2 で評価した。診断の指標は、二変量混合効果モデルで統合した。

  **結果**このうち 38 研究を定量的な統合に用いた。残る 13 研究は定性的にまとめた。

  主解析では MSA と PD を比べた。統合感度は 0.86（95% 信頼区間 0.81〜0.90）、特異度は 0.87（95% 信頼区間 0.83〜0.90）であった。統合受信者動作特性（SROC）曲線の曲線下面積（AUC）は 0.93（95% 信頼区間 0.90〜0.95）であった。

  全体の統合感度は 0.85（95% 信頼区間 0.82〜0.88）、特異度は 0.92（95% 信頼区間 0.89〜0.94）、AUC は 0.94（95% 信頼区間 0.92〜0.96）であった。

  陽電子放出断層撮影（PET）を用いたモデルの性能が最も高かった（感度 0.90、特異度 0.96、AUC 0.97）。深層学習モデルの性能は他のモデルを上回った（感度 0.93、特異度 0.98、AUC 0.99）。

  **結論**

  PET や磁気共鳴画像（MRI）のデータを組み込んだ ML モデルは、MSA の診断で高い精度を示した。臨床で使えるようにするには、前向きの多施設共同研究による検証を優先すべきである。標準化した外部検証も優先すべきである。

  掲載誌の IF 相当：2.0（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：Wang G, Nie C, Liu M. Accuracy of Machine Learning in Differential Diagnosis of Multiple System Atrophy: A Systematic Review and Meta‐Analysis. Movement Disord Clin Pract. 2026 Oct 14 [Epub ahead of print]. doi:10.1002/mdc3.70857.
  確認の範囲：抄録のみ確認
• パーキンソン病と進行性核上性麻痺を見分ける MRI ベースの機械学習モデル
  MRI-based machine learning models for differentiating Parkinson’s disease and Progressive Supranuclear Palsy
  F1000Research · 2026-10-13 · 証拠の段階: 後ろ向きの観察研究
  抄録（全訳）

  **背景**

  パーキンソン病（PD）と進行性核上性麻痺（PSP）は、どちらも神経変性疾患である。パーキンソニズムが中核の臨床像である点も共通する。通常の磁気共鳴画像（MRI）では、早期の PD と PSP はしばしば誤診される。そこで本研究では、PD と PSP を見分ける MRI ベースの機械学習（ML）モデルの精度を評価した。

  **方法**

  後ろ向き研究で、対象は計 96 例である（PD 32 例、PSP 32 例、健常対照 32 例）。T2 強調 FLAIR（T2W-FLAIR）画像で大脳基底核の領域を手作業で分割した。大脳基底核のうち、黒質（SN）、尾状核（CN）、被殻、淡蒼球（GP）、赤核（RN）、視床下核（STN）を手動で分割した。各領域からラジオミクス特徴量（RF）を抽出した。上位 20 の RF で ML モデルを訓練し、テストした。PD、PSP、健常対照（HC）を判別するモデルの性能指標を評価した。

  **結果**

  PD と PSP の判別では、SN の性能が一貫して最も高かった。検証したすべての ML モデルで、正解率、F1 スコア、曲線下面積（AUC）は 0.95〜1.00 であった。RN と STN でも、いくつかの ML モデルで正解率と AUC が 1.00 となり、ほぼ完全に分類できた。CN、被殻、GP の性能は中程度であった（正解率 38%〜85%）。分類器では AdaBoost の性能が安定していた。テストデータで AUC は最大 0.89、マシューズ相関係数（MCC）は最大 0.72 であった。

  **結論**

  SN、STN、RN の MRI ラジオミクスモデルで、PD と PSP を最も正確に分類できた。早期には見分けられない PD と PSP の診断の助けにもなる。

  掲載誌の IF 相当：1.2（OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF（Clarivate）ではない）
  書誌：Khruomo VV, - P, Kadavigere R, Nayak K, Sampathila N, Pendem S, et al. MRI-based machine learning models for differentiating Parkinson’s disease and Progressive Supranuclear Palsy. F1000Res. 2026 Oct 13;15:1709. doi:10.12688/f1000research.190609.1.
  確認の範囲：抄録のみ確認

← この号の目次へ