AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-11-07

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

• パーキンソン病の動作解析にウェアラブルセンサーを用いる機械学習モデルの検証・再現性・汎化：系統的レビューの再現用資料一式
  Reproducibility Package for: Validation, Reproducibility, and Generalization of Machine Learning Models with Wearable Sensors for Parkinson's Disease Movement Analysis: A Systematic Review
  Figshare · 2026-11-05 · 証拠の段階: 系統的レビュー（定性的統合）の補足資料
  抄録（全訳）

  このリポジトリには、系統的レビュー「パーキンソン病の動作解析に使うウェアラブルセンサー機械学習モデルの検証・再現性・汎化：系統的レビュー」を再現するための資料一式が入っている。

  レビューは、系統的レビューの報告指針である PRISMA 2020 ガイドラインに沿って行った。4 つのデータベース（Scopus、IEEE Xplore、ACM Digital Library、ScienceDirect）から 132 件の記録をスクリーニングした。そのうち 11 件の一次研究を定性的統合に含めた。

  この資料一式で方法をすべて公開しており、同じ手順で再現できる。内容は次のとおりである。

  - 表 S1：各データベースで使った検索式の全文

  - 表 S2：適格基準の詳細

  - 表 S3：全文を確認した 54 件すべての研究の質評価スコア（Downs and Black 基準を改変して使用）

  - 表 S4：組み入れた研究のデータ抽出表（詳細版）

  - 表 S5：主な統合から除いた 11 件の二次研究の一覧

  - 表 S6：除外した研究の全一覧と除外理由

  - PRISMA 2020 チェックリストと PRISMA フロー図

  - データの可視化と記述統計に使った解析スクリプト（Python/R）

  本資料は、クリエイティブ・コモンズ 表示 4.0 国際ライセンス（CC BY 4.0）で提供されている。

  掲載誌の IF：不明（照合できず）
  書誌：[No authors listed]. Reproducibility Package for: Validation, Reproducibility, and Generalization of Machine Learning Models with Wearable Sensors for Parkinson's Disease Movement Analysis: A Systematic Review. Figshare. [Epub ahead of print]. doi:10.6084/m9.figshare.34918647.
  確認の範囲：抄録のみ確認
• IFI-ML：ファジィ推論と機械学習を組み合わせたパーキンソン病分類の新しい枠組み
  IFI-ML: a novel framework combining Fuzzy Inference and Machine Learning for Parkinson's disease classification.
  Frontiers in artificial intelligence · 2026-10-21 · 証拠の段階: 前臨床（公開データセットを使った後ろ向きの手法開発・検証）
  抄録（全訳）

  パーキンソン病（PD）の早期発見はまだ難しい。音声信号が複雑なうえ、データの偏り（不均衡）も大きいためである。そのため、機械学習（ML）モデルにはより高い分類精度が求められる。

  本研究の目的は、音声を使った PD 分類のトレードオフを打ち破ることである。このトレードオフとは、感度を上げると特異度が下がり、特異度を上げると感度が下がるという系統的な関係を指す。

  本研究では、Intelligent Fuzzy Inference and Machine Learning（IFI-ML）という枠組みを提示した。この枠組みは不確実性を考慮した構成であり、次の 3 つの要素を用いる。エントロピーに基づく分割、ハイブリッド分類器、Sugeno 型の Type-2 ファジィ推論システム（FIS）である。

  従来の枠組みでは、データセット全体に一律の再サンプリングをかける。代表的な手法は、少数クラスを合成して増やす SMOTE（Synthetic Minority Over-sampling Technique）と、ランダムに増やす ROS（Random Over-Sampling）である。

  IFI-ML はこれと違い、情報利得に基づくクラスタリングでサンプルを 2 つの区画に分ける。境界があいまいな「敏感」区画と、「非敏感」区画である。

  安定した非敏感クラスタでは、従来の ML 分類器を最適化する。判定が難しい境界のサンプルは Type-2 FIS に回し、局所的なクラスの重なりを処理する。こうすることで、データ全体の分布をゆがめずに済む。

  評価には、カリフォルニア大学アーバイン校（UCI）機械学習リポジトリの公開データセットを 2 つ使った。どちらも不均衡なパーキンソン病の音声データセットで、Dataset 1（D1）と Dataset 2（D2）と呼ぶ。

  IFI-ML の正解率は、D1 で 97%、D2 で 92.17% だった。同時に、特異度は D1 で 94〜95%、D2 で 75〜88% に上がった。

  Matthews 相関係数（MCC）は、D1 で 0.93、D2 で 0.77 に改善した。

  D1 では、すべての分類器で偽陽性率と偽陰性率が 3〜7% に下がった。D2 では、K 近傍法（KNN）モデルの偽陽性率を 11〜12% に抑えた。

  厳密な 10 分割交差検証（10 CV）でも、この枠組みは 15 種のベースライン機械学習モデルを一貫して上回った。

  これらのベンチマーク結果は、本手法の臨床上の信頼性と頑健性を示している。これにより、非侵襲的な音声バイオマーカーにおける最先端のベンチマークが確立された。

  掲載誌の IF 相当：6.0（OpenAlex の直近 2 年の平均被引用数・2026-10-09 時点の値、2026-10-10 に取得。正式な IF（Clarivate）ではない）
  書誌：S. V, G. M. IFI-ML: a novel framework combining Fuzzy Inference and Machine Learning for Parkinson's disease classification. Front Artif Intell. 2026 Oct 21;9:1949960. doi:10.3389/frai.2026.1949960.
  確認の範囲：抄録のみ確認

← この号の目次へ