AIと神経難病・神経免疫疾患 ── 2026-11-07

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）（0） · ALS（0） · パーキンソン病（2） · 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

この号では、新しい該当論文はありませんでした。

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

• 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

パーキンソン病の論文をすべて見る（2 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

• 多発性硬化症患者の MRI における視交叉の自動セグメンテーション：少ない注釈データで学習するマルチビュー・マルチクラス U-Net
  Automated optic chiasm segmentation in magnetic resonance imaging of multiple sclerosis patients using a multi-view, multi-class U-Net with limited annotated data.
  Journal of research in medical sciences : the official journal of Isfahan University of Medical Sciences · 2026-10-10 · 証拠の段階: 後ろ向きの観察（既存データの二次解析によるモデル開発と交差検証）
  抄録（全訳）

  背景：多発性硬化症（MS）では、視覚路の障害を定量的に評価する必要がある。そのためには、磁気共鳴画像（MRI）で視交叉を正確にセグメンテーション（領域抽出）することが欠かせない。 しかし視交叉は小さく、解剖も複雑である。さらに、抽出対象の領域（前景）と背景の比率に著しい偏りがある。そのため、正確なセグメンテーションはまだ難しい。 既存の深層学習の手法は、1 つの断面の画像だけを使うことが多い。そのため、MRI の断面ごとに補い合う解剖情報を十分に生かせていない可能性がある。 これらの限界に対応するため、新しいマルチビュー 2 次元 U-Net（2D U-Net）の枠組みを開発し、評価した。この枠組みは、軸位断と冠状断の MRI 情報を単一のセグメンテーション構造の中で併せて用い、視交叉を自動で抽出する。 対象と方法： 本研究は二次解析である。本研究は二次解析であり、視交叉のセグメンテーションに用いる新しいマルチビュー 2D U-Net の枠組みを開発した。この枠組みでは、軸位断と冠状断の MRI 画像を 1 つの 3 クラスセグメンテーション構造に統合した。 モデルは Tversky 損失関数で最適化した。評価には、患者単位の 5 分割交差検証を使った。 性能は複数の指標で定量的に評価した。主な評価指標は、Dice 類似係数（DSC）、IoU（intersection over union、重なりの割合）、バランス正解率とした。定性的には、専門家による注釈と目視で比較して評価した。

  結果：解析には、再発寛解型 MS の患者 58 人を含めた。 マルチビューモデルは安定して収束し、評価したモデルの中で最も高いセグメンテーション性能を示した。DSC は 91.28%、IoU は 84.05%、バランス正解率は 94.43% だった。 最も成績の良い単一断面モデルと比べると、マルチビュー手法で DSC は約 13 ポイント、IoU は約 19 ポイント上がった。 定性評価では、マルチビューモデルによるセグメンテーションの方が、専門家の注釈とよく一致した。

  結論：今回のマルチビュー・マルチクラス 2D U-Net の枠組みは、視交叉のセグメンテーションで従来の単一断面モデルを上回った。 この結果から、軸位断と冠状断の MRI が持つ相補的な解剖情報を統合すると、セグメンテーション性能を大きく改善できることが示された。 これらの結果は、小さく解剖学的に複雑な構造の自動セグメンテーションに、マルチビュー学習が有用である可能性を示している。

  掲載誌の IF 相当：2.6（OpenAlex の直近 2 年の平均被引用数・2026-11-06 時点の値、2026-11-07 に取得。正式な IF（Clarivate）ではない）
  書誌：Kolahdouzan F, Sajadieh SM, Kafieh R, Adibi I, Ramezani N, Farnia F. Automated optic chiasm segmentation in magnetic resonance imaging of multiple sclerosis patients using a multi-view, multi-class U-Net with limited annotated data. Journal of Research in Medical Sciences. 2026 Jul;31(1). doi:10.4103/jrms.jrms_151_26.
  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。