AIと神経難病・神経免疫疾患 ── パーキンソン病 ── 2026-11-10

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

• パーキンソン病の検出と認知面の特徴づけに向けた音響・言語の自動マルチモーダル解析
  Automated multimodal acoustic and linguistic analysis for detection and cognitive characterization in Parkinson’s disease
  BioMedical Engineering OnLine · 2026-11-07 · 証拠の段階: 横断的な症例対照研究（診断モデルの開発と交差検証による評価）
  抄録（全訳）

  背景・目的 パーキンソン病（PD）は運動機能と認知機能の両方を障害する。その結果、運動低下性構音障害と言語の障害が生じる。音響解析と言語解析は、こうした障害を非侵襲かつ直感的に評価し、特徴づける方法を提供する。本研究では、連続発話課題から得た音響特徴と言語特徴を統合する自動解析の枠組みを用いた。この枠組みで PD 患者を分類し、認知の表現型を区別した。

  方法：健常対照（HC）34 人と PD 患者 36 人を集めた。全員が「ON」期に神経学的評価と神経心理学的評価を一通り受けた。PD 患者はさらに 2 群に分けた。PD 患者はさらに、軽度認知障害（MCI）のない群（PD-nMCI）16 人と、MCI のある群（PD-MCI）20 人に分けた。連続発話は、絵を説明する課題で引き出した。録音からは、発話と言語の複数の水準にわたる特徴を取り出した。内訳は発話特徴 42 個と言語特徴 19 個である。これらの特徴を単独でも組み合わせても用い、機械学習モデルを学習させた。 学習には入れ子型の 10 分割交差検証を組んだ。特徴選択には再帰的特徴削減（Recursive Feature Elimination）を、ハイパーパラメータの調整にはグリッドサーチを使った。再帰的特徴削除とグリッドサーチを組み込んだ入れ子型 10 分割交差検証で、サポートベクターマシン（SVM）を学習させた。判別の対象は、PD 対 HC、PD-nMCI 対 HC、PD-MCI 対 HC、PD-nMCI 対 PD-MCI の 4 つである。モデルの説明可能性は Shapley 値で評価した。最後に、発話特徴と臨床尺度との偏相関を計算した。

  結果：10 分割交差検証による判別解析で、高い判別性能が得られた。両方の特徴領域を組み合わせたときの平均正解率は、PD 対 HC で 94.29%、PD-nMCI 対 HC で 91.67%、PD-MCI 対 HC で 87.50% だった。興味深いことに、PD-MCI と PD-nMCI の判別は言語領域だけを使ったほうがよく、平均正解率は 87.50% だった。モデルの説明可能性を解析し、予測の鍵となる特徴を特定した。特徴には、調音エントロピー、基本周波数の変動、母音空間の指標、形態論的誤りの比率などがあった。

  結論：標本は小さい。それでもこの結果は、発話と言語の自動解析が、PD とその認知障害を検出する正確で解釈しやすい手段となる可能性を示している。この手段は、早期診断、患者の層別化、個別化したモニタリングのための、拡張性があり臨床的にも意味のある方法を与える。

  掲載誌の IF 相当：7.1（OpenAlex の直近 2 年の平均被引用数・2026-11-09 時点の値、2026-11-10 に取得。正式な IF（Clarivate）ではない）
  書誌：Pierotti F, Aresta S, Benzini A, Santi GC, Palmirotta C, Tagliente S, et al. Automated multimodal acoustic and linguistic analysis for detection and cognitive characterization in Parkinson’s disease. BioMed Eng OnLine. 2026 Nov 7 [Epub ahead of print]. doi:10.1186/s12938-026-01653-z.
  確認の範囲：抄録のみ確認

← この号の目次へ