AIと神経難病・神経免疫疾患 ── 2026-10-29

神経難病・神経免疫疾患と AI に関わる新しい論文を、各誌のホームページの配信・PubMed（誌を問わない検索）・OpenAlex（Google Scholar の代わりの公開の索引）から集め、Jev（言葉の判断をする AI）が「原著研究か」「AI が中心か」「9 の種別のどれか」「治療・治験に関わるか」を判定し、重要度の高いものから 1 日の上限まで選んだ一覧です。誌の IF では絞らず、論文ごとに掲載誌の IF 相当（OpenAlex の直近 2 年の平均被引用数）とその時点を示します。各論文の抄録（アブストラクト）を全文和訳して載せています（Claude による機械翻訳。原文は題のリンク先）。

疾患の種別に読む: 基礎（総論）（1） · ALS（0） · パーキンソン病（1） · 遺伝性神経変性疾患（0） · 神経筋疾患（0） · 多発性硬化症（1） · NMOSD・MOGAD（0） · 重症筋無力症（0） · 自己免疫性脳炎・CIDP・GBS（0）

神経変性・神経免疫の基礎研究の進展とAI

• 神経変性疾患を検出する深層学習モデルのモダリティ・データセット・病期別の系統的レビュー
  Deep learning models to detect neurodegenerative diseases across different modalities, datasets, and stages: A systematic review.
  Technology and health care : official journal of the European Society for Engineering and Medicine · 2026-10-28 · 証拠の段階: 系統的レビュー（PRISMA 準拠、111 研究）
  抄録（全訳）

  背景：アルツハイマー病やパーキンソン病などの神経変性疾患は根治できず、診断が難しい。症状は正常な加齢による変化と重なることが多い。また、これらの疾患では神経細胞が進行性に失われる。そのため、どの病期でも、早期の予測、正確な診断、継続的な経過観察が欠かせない。深層学習は、さまざまな種類のデータを扱える有用な手段になった。ただし、その性能はデータをどれだけ入手できるか、どれだけ多様かに大きく左右される。このため、データセットの特徴を整理することが重要である。

  目的：本レビューは PRISMA に基づく系統的レビューである。2019 年から 2026 年 4 月までの 111 研究を対象とした。研究は、神経変性疾患の三つの臨床段階（早期予測・診断・進行）に分けて整理した。

  方法：各研究を四つの観点で評価した。データの種類（神経画像か、神経画像以外か）、データセット（公開、独自作成、両者の併用）、深層学習モデルの構造、説明可能な AI（XAI）の使用である。

  結果：三つの段階すべてで使われていた画像モダリティは MRI だけだった。神経画像以外では、診断で最も多く使われていたのは音声である。歩行は診断と進行の段階でしか使われていなかった。データセットでは ADNI と PPMI が最も多く使われていた。独自作成のデータセットでは、心電図（ECG）や人工多能性幹細胞（iPSC）などの新しいモダリティが使われていた。これらは公開データセットにはない。神経画像の課題では、畳み込みニューラルネットワーク（CNN）が主流だった。縦断データセットでは、LSTM と再帰型ニューラルネットワーク（RNN）が時間的なパターンをとらえていた。生存モデルは、筋萎縮性側索硬化症（ALS）と辺縁系優位型加齢関連 TDP-43 脳症（LATE）にだけ使われていた。XAI の使用が確認できた研究は 6% 未満だった。独立した外部コホートで結果を検証した研究は、111 件中 2 件だけだった。 結論

  掲載誌の IF 相当：2.5（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）
  書誌：Poddar K, Wahi C. Deep learning models to detect neurodegenerative diseases across different modalities, datasets, and stages: A systematic review. Technology and Health Care. 2026 Oct 28 [Epub ahead of print]. doi:10.1177/09287329261502060.
  確認の範囲：抄録のみ確認

基礎（総論）の論文をすべて見る（1 本）→

筋萎縮性側索硬化症（ALS）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

パーキンソン病・パーキンソン症候群の治療・治験とAI

• 進行期パーキンソン病に対する機械学習を用いた遠隔モニタリングの早期医療技術評価
  Early health technology assessment of machine learning-enabled remote monitoring for advanced Parkinson disease.
  International journal of technology assessment in health care · 2026-10-28 · 証拠の段階: モデルに基づく医療経済評価（マルコフモデルによる早期医療技術評価）
  抄録（全訳）

  目的：進行期パーキンソン病（APD）は見過ごされやすい。そのため、治療の最適化が遅れたり、デバイス補助療法の適応評価への紹介が遅れたりするおそれがある。機械学習を用いた遠隔モニタリングシステム（ML-RMS）は、病状の進行を早めに把握する助けになりうる。ただし、その価値は、アラートが臨床での対応と患者の利益につながるかどうかで決まる。

  方法：通常診療と、ML-RMS を併用した診療を比べるマルコフモデルを作った。分析はフィンランドの医療制度の立場で行った。モデルでは、APD に移行するおそれのあるパーキンソン病患者を 16 年間にわたってシミュレーションした。基本分析では、ML-RMS の感度を 88%、特異度を 62% と仮定した。推計したのは、費用、質調整生存年（QALY）、増分費用効果比、増分純金銭便益である。シナリオ分析と確率的感度分析では、次の項目を検討した。診断精度、モニタリング費用、生活の質への直接の効果、脳深部刺激療法（DBS）の費用、診療経路のタイミング、介護施設への入所の遅れである。 結果増分費用効果比は、QALY 獲得あたり €172,023 だった。支払意思額の閾値を QALY あたり €35,000 とすると、増分純金銭便益はマイナスだった。シナリオ分析では、次の場合には ML-RMS の費用対効果が良好になりうることが示された。能動的なモニタリングで生活の質が直接高まる場合と、介護施設への入所が遅れる場合である。 結論その価値は、モニタリングで診療経路が変わるか、患者のアウトカムが改善するか、長期介護の必要が減るかにかかっている。今後の研究では、臨床的有用性、生活の質への効果、治療方針の決定、施設介護を優先的に検討すべきである。

  掲載誌の IF 相当：0.7（OpenAlex の直近 2 年の平均被引用数・2026-10-28 時点の値、2026-10-29 に取得。正式な IF（Clarivate）ではない）
  書誌：Godoy Junior CA, van Deen WK, Mäkitie L, Koivu M, Bakker LJ, Uyl-de Groot CA, et al. Early health technology assessment of machine learning-enabled remote monitoring for advanced Parkinson disease. Int J Technol Assess Health Care. 2026 Oct 28;42(1):e104. doi:10.1017/s0266462326104310. PMID: 42947537.
  確認の範囲：抄録のみ確認

パーキンソン病の論文をすべて見る（1 本）→

遺伝性神経変性疾患（脊髄小脳変性症・ハンチントン病など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

神経筋疾患（筋ジストロフィー・SMA など）の治療・治験とAI

この号では、新しい該当論文はありませんでした。

多発性硬化症の治療・治験とAI

• 軽量で説明可能な深層学習フレームワークによる多発性硬化症 FLAIR MRI の中心静脈カテゴリーの画像単位分類
  Image-Level Classification of Central Vein Categories on FLAIR MRI in Multiple Sclerosis Using a Lightweight Explainable Deep Learning Framework
  Brain Sciences · 2026-10-26 · 証拠の段階: 後ろ向きの観察（単施設、診断モデルの開発と内部検証）
  抄録（全訳）

  背景・目的 中心静脈徴候は、MRI で多発性硬化症（MS）の病変の性質を見分ける手がかりになる。ただし、読影には専門医の時間と経験が要る。著者らは、小型の畳み込みニューラルネットワーク（CNN）と深層特徴量エンジニアリング（DFE）のパイプラインを作った。目的は、臨床的にラベル付けされた MR 画像を 3 クラスに分類することである。

  方法：MS Vein データセットには、154 人の参加者から得た軸位断 FLAIR 画像 3181 枚が含まれる。クラスは静脈陽性、静脈陰性、対照の三つである。MACDIBNeXt（パラメータ数約 650 万）は、次の要素を組み合わせたモデルである。プーリングに基づくアテンション型のダウンサンプリング、グループ畳み込み、ボトルネックブロック、逆ボトルネックブロックである。このモデルは Stable ImageNet1k で事前学習した。その後、参加者単位で分割したデータでファインチューニングした（訓練 98 人、検証 25 人、テスト 31 人）。DFE パイプラインでは、まずグローバル平均プーリングで 768 個の特徴量を取り出した。次に、訓練データを参加者ごとにまとめた分割（fold）で、CWINCA により 47 個を選んだ。選んだ特徴量は tkNN で分類した。

  結果：評価には、学習に使っていない 31 人分のテスト画像 635 枚を用いた。CNN 単独では 527 枚を正しく分類した（82.99%、参加者単位のクラスター・ブートストラップによる 95% 信頼区間 77.93〜87.66%）。DFE では 571 枚を正しく分類した（89.92%、95% 信頼区間 85.47〜93.82%）。マクロ F1 は 89.13%、Cohen の κ は 0.83 だった。参加者をクラスターとして再標本化すると、6.93 ポイントの向上の 95% 信頼区間は 3.33〜10.63 ポイントだった（P = 0.0002）。クラスターを考慮して調整した McNemar 検定では、P = 0.0021 だった。提示した例では、Grad-CAM の活性化はいずれも頭蓋内にみられた。

  結論：MACDIBNeXt と DFE の組み合わせで、内部データの画像単位で有望な結果が得られた。ただし、データは単施設の後ろ向きのもので、ラベルは FLAIR 画像上で付けられている。そのため、臨床で使う前に、外部データで参加者単位の検証をする必要がある。

  掲載誌の IF 相当：4.3（OpenAlex の直近 2 年の平均被引用数・2026-10-26 時点の値、2026-10-28 に取得。正式な IF（Clarivate）ではない）
  書誌：Tasci I, Elidar G, Albayrak S, Goktas OF, Tuncer T, Baygin M, et al. Image-Level Classification of Central Vein Categories on FLAIR MRI in Multiple Sclerosis Using a Lightweight Explainable Deep Learning Framework. Brain Sci. 2026 Oct 26;16(11):1160. doi:10.3390/brainsci16111160.
  確認の範囲：抄録のみ確認

多発性硬化症の論文をすべて見る（1 本）→

視神経脊髄炎スペクトラム障害・MOG 抗体関連疾患の治療・治験とAI

この号では、新しい該当論文はありませんでした。

重症筋無力症の治療・治験とAI

この号では、新しい該当論文はありませんでした。

自己免疫性脳炎・CIDP・ギラン・バレー症候群の治療・治験とAI

この号では、新しい該当論文はありませんでした。