AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-10-28

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

• パーキンソン病バイオマーカーへの機械学習の応用：診断性能、バイアスのリスク、臨床応用への準備度に関するシステマティックレビュー
  Machine Learning for Parkinson's Disease Biomarkers: A Systematic Review of Diagnostic Performance, Risk of Bias, and Clinical Translation Readiness.
  Brain sciences · 2026-09-26 · 証拠の段階: システマティックレビュー
  抄録（全訳）

  背景／目的：パーキンソン病（PD）の診断には、機械学習（ML）がよく提案される。しかし、報告された正解率は、方法論の質、一般化可能性、臨床での実現可能性を反映していない可能性がある。バイオマーカーのモダリティ別に、診断性能、バイアスリスク、外部検証、実装時の負担を比較した。診断性能、バイアスのリスク、外部検証、実装時の負担である。

  方法：PubMed/MEDLINE（Medical Literature Analysis and Retrieval System Online）、Web of Science、米国電気電子学会（IEEE）の Xplore を検索した。対象期間は 2020 年 1 月から 2026 年 3 月である。検索は、PRISMA（システマティックレビュー・メタアナリシス報告指針）2020 に準拠したプロトコルで行った。このプロトコルは、INPLASY（システマティックレビュー・メタアナリシスのプロトコル登録の国際プラットフォーム）に登録した。AI 支援によるスクリーニングを、147 件の記録で監査した（Cohen の κ = 0.862）。レビュアーは、抽出されたデータを検証した。バイアスリスク評価ツール PROBAST の判定も、レビュアーが検証した。実装時の負担は、データ取得の 5 領域にわたって評価した。全文評価は、スクリーニング後に残った記録の標本で行った。標本は、モダリティで層別して抽出した。標本に選ばれなかった記録についても、監査を行った。

  結果：重複を除いた記録は 8135 件で、スクリーニング後に 2046 件が残った。そこから 377 件の報告を全文評価用に抽出した。最終的な統合には、9 種類のモダリティにわたる 264 件の研究を含めた。正解率を報告した研究は 252 件で、最良モデルの正解率の中央値は 95.3%（範囲 64.9〜100%）であった。しかし、本レビューで調整した PROBAST の基準では、259 件（98.1%）が全体としてバイアスのリスクが高かった。外部検証の項目を除いても、215 件（81.4%）は高リスクのままであった。外部検証の定義を満たした研究は 20 件（7.6%）にとどまった。同じ研究の中で内部と外部の性能を比べられたのは 10 件で、うち 8 件では外部データでの性能が下がった。実装時の負担の中央値は、音声・発話の 1.0 から神経画像の 4.2 までであった。

  結論：報告される性能は、一般化可能性や臨床実装のエビデンスより速く向上してきた。臨床応用には、被験者に依存しない評価と、多施設での外部検証が必要となる。性能と実装に必要な条件を透明に報告することも欠かせない。これらの割合は今回評価した標本についてのもので、PD の機械学習研究全体を表すものではない。

  掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-26 時点の値、2026-10-28 に取得。正式な IF（Clarivate）ではない）
  書誌：Pinto Neto O, Pinho TOR. Machine Learning for Parkinson’s Disease Biomarkers: A Systematic Review of Diagnostic Performance, Risk of Bias, and Clinical Translation Readiness. Brain Sci. 2026 Sep 26;16(10):1027. doi:10.3390/brainsci16101027.
  確認の範囲：抄録のみ確認
• 手描き図形を用いた遠隔パーキンソン病スクリーニングのためのデュアルブランチ融合 Transformer ネットワーク
  Dual-Branch Fusion Transformer Networks for Remote Parkinson's Disease Screening via Hand-Drawn Graphics.
  Bioengineering (Basel, Switzerland) · 2026-09-23 · 証拠の段階: 後ろ向きの観察（公開データセットを用いたモデル開発）
  抄録（全訳）

  パーキンソン病（PD）は、高齢者に多い神経変性疾患の一つである。PD では運動の異常がよくみられ、その異常は手描きの幾何学図形に表れることがある。しかし、PD に特異的なスクリーニングや検査がないため、早期発見はまだ難しい。医療資源の限られた農村部では特にそうであり、医療介入の遅れにつながっている。この重要な課題に対応するため、本論文では FusionNet を開発した。FusionNet は手書きに基づく PD スクリーニングのための枠組みである。2 系統（デュアルブランチ）の Vision Transformer で、空間領域と周波数領域の情報を組み合わせる。空間ブランチは、グレースケールの描画から、幾何学的特徴や筆致に関する表現を直接学習する。周波数ブランチは、二次元高速フーリエ変換で得た振幅スペクトルを対数スケールに変換して処理する。2 つのブランチの特徴量は、双方向クロスアテンション（BCA）で統合する。これにより、分類の前に、空間表現とスペクトル表現が互いを条件づけられる。学習は段階的に行った。まず各ブランチを別々に学習させ、そのあとで融合部分を最適化した。

  評価には公開データセット NewHandPD を用い、3 つの描画課題で実験した。課題は手描きの円、蛇行線（メアンダー）、らせんである。参加者は 66 人（PD 31 人、健常対照 35 人）であった。性能は 5 分割の Group K-Fold 交差検証で評価した。FusionNet の正解率が最も高かったのは蛇行線課題で、91.68% であった。すべての課題で、感度は 85% 超、特異度は 88% 超を保った。本研究では、小規模な単一のデータセットを用いた。課題によっては参加者単位の分離が保証されておらず、独立した外部検証も行われていない。このため、結果は予備的なもので、このデータセットに限ったものと解釈すべきである。モデルの挙動を分析したところ、空間領域の予測は紙の質感に影響されうることも分かった。一方、補完的な周波数表現を加えると、この偏りの要因が減った。最後に、モデルを LINE を使ったプロトタイプに組み込んだ。最後に、モデルを LINE ベースの試作システムに組み込み、画像の遠隔送信と自動解析が技術的に可能であることを示した。この実装はまだ概念実証の段階にある。臨床判断に使う前に、外部での前向きな臨床検証が必要である。

  掲載誌の IF 相当：5.3（OpenAlex の直近 2 年の平均被引用数・2026-10-06 時点の値、2026-10-07 に取得。正式な IF（Clarivate）ではない）
  書誌：Lin TW, Li GJ, Lien WC, Peng YT, Lai YT, Chen YH. Dual-Branch Fusion Transformer Networks for Remote Parkinson’s Disease Screening via Hand-Drawn Graphics. Bioengineering. 2026 Sep 23;13(10):1101. doi:10.3390/bioengineering13101101.
  確認の範囲：抄録のみ確認

← この号の目次へ