AIと希少疾病 ── 2026-10-10

希少疾病（神経とがんを除く）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」「8 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: 基盤（総論）（1） · 先天代謝異常症（0） · 遺伝性症候群・小児（1） · 希少な血液疾患（0） · 免疫・膠原病（0） · 循環器・呼吸器（2） · 腎・肝・消化器（0） · 皮膚・骨（0）

希少疾病の診断と創薬の基盤とAI

• 希少疾患の診断と予後予測に用いられる非生成型人工知能（AI）：小児集団を中心としたスコーピングレビュー
  A scoping review and comparison of the current state of non-generative artificial intelligence in the diagnostics and prognostics of rare diseases – focusing on paediatric populations
  Orphanet Journal of Rare Diseases · 2026-10-08 · 証拠の段階: スコーピングレビュー
  抄録（全訳）

  背景：希少疾患は患者数が少なく、病態も多様である。そのため、診断も予後予測も特に難しい。この問題は小児でさらに大きくなる。小児は希少疾患の影響を受ける割合が不釣り合いに高いからである。非生成型の人工知能（AI）は、臨床医を支援する強力な道具である。診断やリスク層別化、患者のサブグループ分けで、臨床医の助けになる。ただし、AIが希少疾患にどこまで応用されてきたかは、はっきりしていない。小児の希少疾患コホートについては特にそうである。

  目的：本スコーピングレビューは、希少疾患の診断と予後予測を支援するためにAI技術がどう用いられてきたかを明らかにすることを目的とした。特に小児集団での利用に焦点を当てた。

  方法：Embase、Medline、Web of Science、IEEE Xplore、Scopus の各データベースで原著論文を検索した。検索語は「(‘machine learning’ OR ‘artificial intelligence’) AND (‘rare’ OR ‘orphan’) AND (‘condition*’ OR ‘disease*’ OR ‘disorder*’)」である。

  結果：組み入れ基準を満たした研究は136件だった。このうち28件（20.6%）が小児コホートを対象としていた。研究の種類はさまざまで、内訳は診断（n = 61、44.9%）、予後（n = 39、28.7%）、分類（n = 19、14.0%）、スクリーニング（n = 17、12.5%）であった。1研究あたりの参加者数は16人から300万人超まで幅があった。 最も多く使われたのは決定木系のモデル（n = 62、45.6%）だった。次いでニューラルネットワーク（n = 49、36.1%）、線形モデル（n = 46、33.9%）の順であった。小児コホートで最も多かったのはニューラルネットワーク（n = 11、39.2%）で、決定木系（n = 10、35.7%）と線形モデル（n = 10、35.7%）が続いた。 前処理の手順を記載した研究は少数にとどまった。記載された手順は次のとおりである。特徴量選択（n = 41、30.1%）、欠測データの処理（n = 36、19.1%）、データクリーニング（n = 44、32.4%）、データ不均衡への対処（n = 21、15.4%）、データ拡張（n = 23、16.9%）。外部検証を受けたモデルは27件（19.9%）だけであった。臨床医の関与を記載した研究は56件（41.2%）であった。臨床現場で日常的に使われるようになったモデルは一つもなかった。

  結論：希少疾患の診断と予後予測を支援するAIツールの研究は、増えつつある。しかし、小児の希少疾患コホートでの利用はまだ少ない。モデル開発の方法や臨床医の関与がほとんど記載されておらず、外部検証も不足している。そのため、モデルは臨床現場にほとんど実装されていない。

  掲載誌の IF 相当：3.4（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：Taylor CS, Lai A, Kaski JP, Norrish G. A scoping review and comparison of the current state of non-generative artificial intelligence in the diagnostics and prognostics of rare diseases – focusing on paediatric populations. Orphanet J Rare Dis. 2026 Oct 8 [Epub ahead of print]. doi:10.1186/s13023-026-04619-5.
  確認の範囲：抄録のみ確認

基盤（総論）の論文をすべて見る（1 本）→

先天代謝異常症（ライソゾーム病・ミトコンドリア病など）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。

遺伝性の症候群・小児の希少疾病の治療・治験とAI

• 遺伝性症候群の顔貌表現型の評価における、深層学習と説明可能AIを用いた医療意思決定支援の応用
  Application of deep learning and explainable AI-supported medical decision-making for facial phenotyping in genetic syndromes.
  Clinical dysmorphology · 2026-10-08 · 証拠の段階: パイロット研究（臨床遺伝専門医を対象とした実験的評価）
  抄録（全訳）

  目的：顔画像から遺伝性疾患を見分ける判断に、説明可能な人工知能（XAI）が影響するかを調べた。ここで使ったXAIはサリエンシー（顕著性）に基づく手法である。本研究はパイロット研究として行った。

  方法：臨床遺伝専門医44人をAIのみ群とXAI支援群に分けた。各医師は顔画像18枚を評価した。画像には遺伝性疾患のある人とない人が含まれていた。AI分類器の予測確率を見る前と後で、診断の正確度と確信度を記録した。予測確率にはXAIによる説明が付く場合と付かない場合があった。さらに媒介分析を行った。遺伝学者が意思決定の際にAIやXAIとどのように関わるかを、より適切に解釈するために媒介分析を行った。

  結果：AIの分類が正しいときは、AIのみの支援でもXAIによる支援でも正確度が上がった。AIの分類が誤っているときは正確度が下がった。平均の確信度は、分類が正しいと上がり、誤っていると下がった。医師はAIの予測確率を役立つと評価した。一方、XAIによる説明への評価はそれより低かった。AIの分類が誤っていた場合、正確度の改善幅とAIの有用性の感じ方との間に負の相関があった。AIの分類が正しい場合（XAIなし）、モデルの予測確率が媒介因子として働いた。媒介因子として働いたのは、利用者の確信度と、AIと同じ答えを選ぶという判断との関係においてである。

  結論：正確度にも確信度にも改善はみられなかった。この結果は、参加者がサリエンシーに基づくXAIを判断に統合しなかったことを示す。参加者の意思決定には、AIの予測確率のほうが大きく影響した。今回のデータは、より大規模な研究の設計に役立つ可能性がある。

  掲載誌の IF 相当：0.5（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：Sümer Ö, Huber T, Cheng J, Duong D, Ledgister Hanchard SE, Conati C, et al. Application of deep learning and explainable AI-supported medical decision-making for facial phenotyping in genetic syndromes. Clinical Dysmorphology. 2026 Oct 8 [Epub ahead of print]. doi:10.1097/mcd.0000000000000581.
  確認の範囲：抄録のみ確認

遺伝性症候群・小児の論文をすべて見る（1 本）→

希少な血液疾患（血友病・鎌状赤血球症など）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。

自己炎症・免疫不全・希少な膠原病の治療・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。

希少な循環器・呼吸器疾患の治療・治験とAI

• 電子健康記録を用いた心アミロイドーシスのリスクがある患者のスクリーニング：機械学習モデルの多施設開発・検証研究
  Screening for patients at risk for cardiac amyloidosis via electronic health records: A multicenter machine learning development and validation study
  PLOS Digital Health · 2026-10-08 · 証拠の段階: 後ろ向きの観察研究（多施設での予測モデル開発と内部・外部検証）
  抄録（全訳）

  心アミロイドーシス（CA）では、早く見つけることが転帰の改善に欠かせない。早く見つければ、ガイドラインに沿った疾患修飾療法を始められるからである。確定診断のための骨シンチグラフィは、CAを高い精度で検出できる。しかし、紹介すべきリスクのある患者を見つけることはまだ難しい。

  本研究では、機械学習モデル Amylo-Detect を開発し、検証することを目指した。このモデルは、構造化されたマルチモーダルな電子健康記録（EHR）データを使う。本研究の目的は、確定診断のための骨シンチグラフィやモノクローナルタンパク検査への紹介を導く機械学習モデルを開発し、検証することである。

  ウィーン総合病院で2010〜2023年に骨シンチグラフィへ紹介された患者を、後ろ向きに組み入れた。対象は、選択条件を設けずに連続して登録した全症例（n = 11,616）である。2020年8月より前に紹介された患者を開発コホートとした。残りの患者を内部検証コホートとした。外部検証はエッセン大学病院（n = 1,521）で行った。Amylo-Detect は、日常的に得られる50項目のパラメータで学習させた。予測の対象は、CAを示唆する集積（Perugini grade ≥2）である。さらに、既存のスコアおよび通常診療と比較した。

  高グレードの集積は388人（3.0%）にみられた。Amylo-Detect の性能は優れていた。曲線下面積（AUC）は、開発コホートで0.93、独立した内部検証コホートで0.91、外部検証コホートで0.91であった。既存のスコアリングシステムも通常診療も上回った。結果はサブグループのいずれでも一貫していた。重要な予測因子が欠けている場合でも、結果は同様であった。通常診療では388人中42人（10.8%）が見逃されていた。そのうち12人（29%）を Amylo-Detect が追加で検出した。このモデルは、死亡と心不全入院についても有意な予後予測能を示した。

  著者らは、検証済みのEHRベースのCAリスク予測ツールとして Amylo-Detect を示した。ウェブアプリとして公開しており、実際の利用も、さらなる評価も可能である。Amylo-Detect は、検出と紹介を早めることで診断の遅れの解消に役立つ可能性がある。ただし、前向きの評価はまだ済んでいない。

  掲載誌の IF 相当：6.5（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：Spielvogel CP, Kersting D, Haberl D, Autherith M, Hauptmann L, Yu J, et al. Screening for patients at risk for cardiac amyloidosis via electronic health records: A multicenter machine learning development and validation study. PLOS Digit Health. 2026 Oct 8;5(10):e0001637. doi:10.1371/journal.pdig.0001637; PMCID: PMC13649026.
  確認の範囲：全文を確認
• 肺動脈性肺高血圧症と左心疾患に伴う肺高血圧症を鑑別する適応型異種グラフニューラルネットワーク
  Adaptive heterogeneous graph neural networks for differentiating pulmonary arterial hypertension from left heart disease
  npj Digital Medicine · 2026-10-08 · 証拠の段階: 後ろ向きの観察研究（単施設、交差検証による内部評価）
  抄録（全訳）

  肺動脈性肺高血圧症（PAH）と左心疾患に伴う肺高血圧症（PH-LHD）は、治療方針が大きく異なる。そのため、両者の鑑別は臨床上重要である。しかし、確定的な分類には侵襲的な血行動態評価と臨床評価の両方が必要である。

  上海市肺科医院で治療を受けたPAHまたはPH-LHDの患者905人を後ろ向きに調べた。そのうえで、適応型異種グラフニューラルネットワーク（AHGNN）を開発した。AHGNN は造影胸部CT画像と非侵襲的な臨床変数を統合する。このモデルは三つの要素を組み合わせている。Gumbel-Softmax 再パラメータ化による微分可能なグラフ構築、階層的なクロスモーダル注意機構、2つのレベルでの自己教師あり対照学習である。

  患者単位の5分割交差検証を繰り返し、100回の外側テスト分割で評価した。AHGNN の受信者動作特性曲線下面積（AUC）の平均は0.946 ± 0.023であった。適合率–再現率曲線のAUCは0.952 ± 0.009であった。確率の閾値を0.50に固定すると、感度は0.867 ± 0.070、特異度は0.867 ± 0.072であった。Brier スコアは0.139であった。ただし、較正スロープは3.547であり、再較正が必要になる可能性がある。

  これらの結果は、マルチモーダルな非侵襲的データが紹介や診断のトリアージを支援できる可能性を裏づけている。臨床で使う前には、前向きの外部検証、再較正、臨床上の安全性評価が必要である。右心カテーテル検査の役割を変更する場合にも、同様に前向きの外部検証などが必要である。

  掲載誌の IF 相当：13.7（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：Shen Y, Mi J, Zhao X, Liu G, Yang G, Yang B, et al. Adaptive heterogeneous graph neural networks for differentiating pulmonary arterial hypertension from left heart disease. npj Digit Med. 2026 Oct 8 [Epub ahead of print]. doi:10.1038/s41746-026-03305-x.
  確認の範囲：抄録のみ確認

循環器・呼吸器の論文をすべて見る（2 本）→

希少な腎・肝・消化器疾患の治療・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。

希少な皮膚・骨の疾患の治療・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。