AIと神経難病・神経免疫疾患 ── 基礎（総論） ── 2026-10-25

対象誌と選び方は索引の頁に

神経変性・神経免疫の基礎研究の進展とAI

• 脳 MRI から頸髄の椎体レベル付けと形態計測を自動で行う深層学習の枠組みと大規模多施設での検証
  A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation
  npj Digital Medicine · 2026-10-23 · 証拠の段階: 既存の多施設 MRI データを用いたモデル開発と外部検証（観察研究）
  抄録（全訳）

  本研究の目的は、T1 強調の脳 MRI で上位頸部の脊髄（SC）の椎体レベル（C1〜C3）を全自動で特定するパイプラインを開発し、検証することである。パイプラインには、生成したマスクの品質を評価する品質管理モジュールも組み込んだ。学習には、32 施設の対照 998 例と遺伝性運動失調症患者 879 例の MRI を用いた（年齢 5〜85 歳、男性 46%）。深層学習モデルとして nnU-Net、深層教師あり U-Net、SwinUNETR を学習させ、C1〜C3 の椎体レベルを自動で付けられるようにした。さらに、VGG、ResNet、EfficientNet を基にした二次モデルも学習させ、椎体レベル付けの誤りを検出させた。パイプラインは画像の品質指標も出力する。指標は信号雑音比、コントラスト雑音比、結合変動係数（coefficient of joint variation）、エントロピー焦点基準（entropy focus criterion）である。外部検証には、4 つの公開データセットの MRI 2737 件を用いた。多発性硬化症（MS）患者 51 例の縦断コホートで、臨床での有用性を示した。性能は nnU-Net が最も高かった（Dice: C1 = 0.85、C2 = 0.89、C3 = 0.89）。nnU-Net は、Spinal Cord Toolbox がレベル付けを誤った症例の 95.8% で、レベルを付けることができた。VGG を基にした分類器は、正解率 97.9%、感度 98.7% であった。外部検証では、5 つのデータセットのうち 4 つでレベル付けの正解率が 92% を超えた。MS では、経時的な脊髄萎縮も検出できた。このパイプラインにより、多施設研究で上位頸髄の椎体レベル付けと形態計測値の抽出を、大規模かつ高い信頼性で行える。神経変性疾患のバイオマーカー開発にも役立つ。

  掲載誌の IF 相当：13.9（OpenAlex の直近 2 年の平均被引用数・2026-10-18 時点の値、2026-10-19 に取得。正式な IF（Clarivate）ではない）
  書誌：Jarola GM, Shiraishi DH, Adanyeguh IM, Ashizawa T, Barsottini OGP, Bender B, et al. A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation. npj Digit Med. 2026 Oct 23 [Epub ahead of print]. doi:10.1038/s41746-026-03403-w.
  確認の範囲：抄録のみ確認

← この号の目次へ