AIと神経難病・神経免疫疾患 ── 2026-11-10

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（1） · 遺伝性神経変性疾患（1） · 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

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

• 敵対的生成ネットワークによるデータ拡張とカスケード型畳み込みニューラルネットワークを用いたハンチントン病の検出
  Huntington’s disease detection using the cascaded convolutional neural network with generative adversarial network based augmentation
  Communications in Statistics - Simulation and Computation · 2026-11-08 · 証拠の段階: MRI 画像による AI 診断モデルの開発と性能評価
  抄録（全訳）

  ハンチントン病は遺伝性の神経変性疾患である。臨床で有効に介入するには、早期の診断が必要である。従来の診断法は侵襲的なことが多く、早期の検出には不十分である。本研究は、MRI 画像からハンチントン病を正確に検出する手法を示す。この手法は、カオス Lyrebird 最適化に基づくカスケード型畳み込みニューラルネットワーク（ChLyO_CCNN）である。

  データの不足と偏りに対処するため、敵対的生成ネットワーク（GAN）でデータを拡張した。続いて、ガウシアンフィルタでノイズを減らした。カスケード型 CNN は P-Net、R-Net、O-Net を組み合わせた構造である。このカスケード構造は P-Net、R-Net、O-Net を組み合わせ、特徴抽出と分類を段階的に精緻化する。ネットワークのハイパーパラメータは ChLyO アルゴリズムで最適化し、収束性と汎化性能を高めた。

  実験で、提案法は高い診断性能を示した。正解率は 99.76%、適合率は 99.65%、感度は 99.81% で、既存の手法を上回った。この枠組みは、臨床の神経画像でのハンチントン病検出に向けて、信頼でき効率的な AI 支援の解決策を示す。

  掲載誌の IF 相当：1.1（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：Amudaria S, Joseph Jawhar S. Huntington’s disease detection using the cascaded convolutional neural network with generative adversarial network based augmentation. Communications in Statistics - Simulation and Computation. 2026 Nov 8 [Epub ahead of print]. doi:10.1080/03610918.2026.2757043.
  確認の範囲：抄録のみ確認

遺伝性神経変性疾患の論文をすべて見る（1 本）→

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

• 機械学習による多発性硬化症の臨床病型分類
  Clinical classification of multiple sclerosis by machine learning
  Scientific Reports · 2026-11-07 · 証拠の段階: 公開データの二次解析（機械学習分類器の比較評価）
  抄録（全訳）

  多発性硬化症（MS）は、中枢神経系の自己免疫性脱髄疾患である。多くの成人がかかり、重い神経学的障害を引き起こす。臨床像はきわめて多様である。治療は病型によって決まる。それでも、臨床的孤立症候群（CIS）、再発寛解型 MS、進行型の各病型を見分けるのはまだ難しい。

  機械学習を使えば、この難しさに対処できる。高次元の生物医学データから微妙なパターンを見つけられるためである。神経画像による MS の分類では有望な結果が示されているが、トランスクリプトームデータでの性能はあまり検討されていない。一方、トランスクリプトームデータでの性能はあまり調べられていない。

  この点を調べるため、3 つのアンサンブル分類器 AdaBoost、Random Forest、XGBoost の性能を比べた。AdaBoost、ランダムフォレスト、XGBoost の 3 つのアンサンブル分類器を、3 つの公開データセットの末梢血単核球トランスクリプトーム 594 件で比較した。共通の 6,033 遺伝子からなる行列を使い、4 つの二値分類課題で評価した。MS 対 非 MS、CIS 対 非 CIS、一次性進行型 MS 対 再発寛解型 MS、二次性進行型 MS 対 再発寛解型 MS である。データは標準化し、2 成分の主成分分析（PCA）にかけた。標準化と 2 成分の主成分分析を行ったのち、学習用と保留した検証用に 3:1 で分けてモデルを評価した。

  3 つの分類器はいずれも、4 つの課題のどれでも検証用データで高い性能を示した。この結果は、アンサンブル機械学習で、血液のトランスクリプトームのプロファイルから MS とその臨床病型を効果的に分類できることを示している。

  掲載誌の IF 相当：6.3（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：Liu Y, Liu H, Li W. Clinical classification of multiple sclerosis by machine learning. Sci Rep. 2026 Nov 7 [Epub ahead of print]. doi:10.1038/s41598-026-79792-5.
  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。