AIと神経難病・神経免疫疾患 ── 2026-11-12
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)(2) · 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
- Multi-dimensional signal exploration on the effect of tremor interventions抄録(全訳)
背景:振戦の時系列解析では、これまで機械学習は主に振戦の病型を見分けるのに使われてきた。同じ解析手法は、治療介入を調べるのにも使える。治療介入の効果は従来、振戦の振幅がどれだけ変わったかで評価されてきた。この評価では、信号の細かな変化を見落とすおそれがある。特徴量ベースの機械学習を使えば、治療介入による振戦信号の変化をはるかに細かく調べられる可能性がある。
目的:振戦を変化させる介入に伴い、時系列信号が多次元でどう変わるかを調べる。あわせて、複数の振戦病態を比べ、介入どうしで共通するパターンと介入ごとに異なるパターンを特定する。 方法内訳は次のとおりである。本態性振戦(ET)の患者は、プロプラノロール群が 13 人、脳深部刺激療法(DBS)群が 10 人である。パーキンソン病(PD)ではレボドパ 23 人。増強生理的振戦(ePT)ではカフェイン 20 人。全員を治療 OFF と治療 ON の状態で評価した。測定には高解像度の 3 軸加速度計を用いた。生の記録からは、既存の振戦指標に加え、高度な時系列特徴量も抽出した。介入に関連する変化を検出するため、機械学習(ML)手法を適用した。手法にはアンサンブル分類や主成分分析(PCA)を含めた。
結果:どのコホートでも、臨床評価と信号の両方で有意な介入効果がみられた。振戦の抑制が最も強かったのは、ET での DBS 後であった。ePT では、予想どおりカフェイン後に振戦が増強した。治療介入の後は、振幅に関する特徴量が一貫して低下した。PD のドパミン補充療法では、これに加えて周波数に関する特徴にも変化がみられた。カフェインによる振戦の変化は、ほかとはっきり区別される多次元の信号パターンを示した。一方、治療介入どうしの効果は部分的に重なっていた。すべての介入に共通して、振戦の調節がうまくいったことを一貫して示す単一の特徴量はなかった。
結論:特徴量ベースの ML を使うと、従来の指標では見えない、介入ごとに特有の振戦パターンが分かる。この結果は、データ駆動で振戦を客観的に特徴づける手法を支持する。
掲載誌の IF 相当:3.7(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Köhler L, Müller J, Chen YS, Selzam V, Häring V, Volkmann J, et al. Multi-dimensional signal exploration on the effect of tremor interventions. Front Neurol. 2026 Nov 10;17:1954245. doi:10.3389/fneur.2026.1954245.確認の範囲:抄録のみ確認 - Leveraging Deep Learning to Reveal Fine-Scale In Vivo Mitochondrial Dynamics and Axonal Transport.抄録(全訳)
軸索内のミトコンドリア輸送は、神経細胞の機能と生存に欠かせない。輸送の障害は、複数の神経変性疾患で早い段階から現れる病理学的特徴として、注目が高まっている。それでも、ミトコンドリア輸送の動態を定量的に解析するのはまだ難しい。運動のパターンが複雑で不均一なうえ、手間のかかる手作業の追跡に頼っているためである。
本研究では、深層学習を用いてミトコンドリアの軸索輸送を半自動で定量する枠組みを示す。対象には、研究で広く使われているショウジョウバエの神経系を用いた。生体内の個々の軸索をタイムラプス共焦点イメージングで撮影した。そのうえで、変位や速度などの輸送パラメータを網羅的に検証した。さらに、この手法が専門家による測定値をどこまで再現できるかを評価した。さらに、この手法で従来の手作業による追跡の限界を克服できる可能性も検討した。
特に、この枠組みを使うと、輸送中の動的なふるまいを詳しく記述できる。たとえば、個々のミトコンドリアのシグナル強度の変動や、それと同時に起こる形態変化を捉えられる。これらの変化は、従来の手法では見分けにくかったミトコンドリアの生理的な状態を反映している可能性がある。
以上から、軸索輸送を次世代の手法で解析できることが確かめられた。この手法により、これまで捉えられなかったミトコンドリア動態の側面を明らかにできる可能性がある。この手法は、神経変性疾患モデルで生体内のミトコンドリア輸送障害を調べるための、拡張性があり客観的な枠組みとなる。
掲載誌の IF 相当:6.2(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Park JY, Chae M, Sung H. Leveraging Deep Learning to Reveal Fine-Scale In Vivo Mitochondrial Dynamics and Axonal Transport. Yale J Biol Med. 2026 Nov 4;99(3):558-75. doi:10.59249/zsdt8892.確認の範囲:抄録のみ確認
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
- Machine learning models for predicting future Parkinson's disease: systematic review and meta-analysis抄録(全訳)
この研究は系統的レビューとメタアナリシスである。対象とするのは、パーキンソン病でない人が将来この病気と診断されるかを予測する、教師あり機械学習モデルと深層学習モデルである。解析は二つの層に分けて行う。一つは高リスクコホート(主に孤発性レム睡眠行動異常症、B1)、もう一つは一般集団または臨床集団(B2)である。
プロトコルと検索戦略は 2026 年 10 月 13 日に固定し、指導教員の承認を得た。検索はその後、2026 年 10 月 21〜22 日に実施した。この登録は事後登録である。固定した時点のファイルを、変更を加えずに添付している。その後の修正はすべて、添付のプロトコル文書に記載している。
掲載誌の IF:不明(照合できず)書誌:[No authors listed]. Machine learning models for predicting future Parkinson's disease: systematic review and meta-analysis. Open Science Framework. [Epub ahead of print]. doi:10.17605/osf.io/qgazv.確認の範囲:抄録のみ確認 - Interpretable radiomics signature of the basal ganglia-thalamic circuitry for predicting PD-MCI: a multi-center study with external validation.抄録(全訳)
背景さらに、このシグネチャーと臨床的特徴を組み合わせ、パーキンソン病(PD)の認知機能低下を早期に見つけるための複合モデルを作ることを目指した。ねらいは、パーキンソン病(PD)の認知機能低下を早期に見つけることである。
方法:PD 患者 233 人のデータを後ろ向きに解析した。内訳は、Parkinson's Progression Markers Initiative(PPMI)の 182 人と、National Alzheimer's Coordinating Center(NACC)の 51 人である。ベースラインのモントリオール認知評価(MoCA)スコアで、患者を二群に分けた。認知機能正常(PD-NC)の群と、軽度認知障害(PD-MCI)の群である。PPMI コホートは 7:3 の比で、訓練セット(n = 127)とテストセット(n = 55)に無作為に分けた。NACC コホート(n = 51)は外部検証セットとした。 両側の大脳基底核(淡蒼球、被殻)と両側の視床の T1WI から、ラジオミクス特徴量を抽出した。次元削減を行ったうえで、ラジオミクスモデルを構築した。次に、独立した臨床予測因子を特定した。それをラジオミクス・シグネチャーと組み合わせて、複合モデルを作った。モデルの性能は、受信者動作特性(ROC)曲線、混同行列、F1 スコアで評価した。モデルの出力の解釈には、SHapley Additive exPlanations(SHAP)を用いた。
結果:ラジオミクスモデルの曲線下面積(AUC)は、訓練セットで 0.809、テストセットで 0.777、外部検証セットで 0.776 であった。多変量回帰で特定された独立した予測因子は二つである。老年期うつ病評価尺度(GDS)スコア(オッズ比〔OR〕1.41、P = 0.005)と、静止時振戦(OR 4.11、P = 0.036)である。 これらの臨床因子をラジオミクス・シグネチャーと組み合わせた複合モデルでは、AUC が有意に改善した。AUC は訓練セットで 0.848(95% 信頼区間 0.774〜0.906)、テストセットで 0.796(95% 信頼区間 0.666〜0.893)であった。外部検証セットでは 0.812(95% 信頼区間 0.628〜0.925)であった。複合モデルは、どちらの単独モデルよりも成績が高かった。最終的に残ったラジオミクス特徴量は 13 個で、その大半(69.2%)をテクスチャ特徴量が占めた。SHAP 解析で、最も影響の大きい予測因子は Rad-score であることが確かめられた。 結論このモデルは、両側の大脳基底核(淡蒼球、被殻)と視床の T1WI から得たラジオミクス特徴量に、臨床的特徴を組み合わせたものである。この手法は、臨床での早期介入と精密な患者管理を支えるうえで有用である。
掲載誌の IF 相当:3.8(OpenAlex の直近 2 年の平均被引用数・2026-10-15 時点の値、2026-10-16 に取得。正式な IF(Clarivate)ではない)書誌:Jian Y, Shi H, Hu T, Zhou S, He X, Tao D, et al. Interpretable radiomics signature of the basal ganglia-thalamic circuitry for predicting PD-MCI: a multi-center study with external validation. BMC Med Imaging. 2026 Aug 12;26(1):593. doi:10.1186/s12880-026-02668-7.確認の範囲:抄録のみ確認
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
- Beyond Lesion Burden: An Explainable Machine Learning Framework for Characterizing Clinical Resilience in Multiple Sclerosis抄録(全訳)
多発性硬化症(MS)では、臨床症状と画像所見が一致しないことがある。磁気共鳴画像(MRI)上の病変量が同程度でも、神経学的な障害の程度は患者によって異なる。本研究では、臨床の機能系別スコアと構造的な病変の測定値を組み合わせた。そのうえで、障害度で分けた患者群をよりよく特徴づけられるかを調べた。
対象は 59 例である。拡張総合障害度評価尺度(EDSS)3.0 以下を「レジリエント群」(n = 42)、3.0 超を「脆弱群」(n = 17)とした。分類器はランダムフォレスト、線形サポートベクターマシン、L1 正則化ロジスティック回帰の 3 種である。いずれも層別 5 分割交差検証で評価した。ROC 曲線下面積(ROC-AUC)はそれぞれ 0.6130、0.6819、0.7271 であった。
SHAP 解析で、小脳と錐体路のスコアが影響の大きい予測因子と特定された。病変体積も、追加の情報をもたらしていた。DiCE で反事実的説明を生成したところ、脆弱群の患者プロファイル全体で有効な代替案が 22 件得られた。病変体積は、すべての代替案で変更されていた。
これらは探索的な結果である。臨床の機能系別の測定値と構造的な病変量を組み合わせれば、MS における障害の不均一性を特徴づけやすくなる可能性が示唆される。臨床応用の前に、より大規模で独立したデータセットと、さらなる検証が必要である。
掲載誌の IF 相当:0.3(OpenAlex の直近 2 年の平均被引用数・2026-11-11 時点の値、2026-11-12 に取得。正式な IF(Clarivate)ではない)書誌:Reddy Adla A, MP S. Beyond Lesion Burden: An Explainable Machine Learning Framework for Characterizing Clinical Resilience in Multiple Sclerosis. IJSR. 2026 Nov 10 [Epub ahead of print]. doi:10.21275/sr261103212002.確認の範囲:抄録のみ確認
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。