光干渉断層血管造影を用いたパーキンソン病診断のためのアンサンブル機械学習分類器
カテゴリ：診断支援・画像解析
公開日：2026年2月21日
タイトル：An ensemble machine learning classifier for Parkinson's disease diagnosis using optical coherence tomography angiography
雑誌名：Sci Rep. 2026 Feb 04; 16(1): doi: 10.1038/s41598-026-38407-9. Epub 2026 Feb 04.
概 要：
本研究は、パーキンソン病（PD）の早期診断を目的とし、光干渉断層血管造影（OCTA）を用いて網膜微小血管の変化を評価するアンサンブル機械学習モデルを開発しました。53人のPD患者と39人の健康対照から得たOCTA画像を用いて、22の定量的特徴を抽出しました。データセットは、患者ベースの交差検証戦略により分割され、特徴選択と複数の機械学習アルゴリズムを用いて最適化されました。最終的に、アンサンブルモデルは74.28%の精度、90%の感度、53.33%の特異度、AUC 0.75を達成しました。これにより、PDの分類とスクリーニングにおける非侵襲的な枠組みが示されました。
方 法：
本研究は、53人のPD患者と39人の健康対照を対象にした回顧的研究です。OCTA画像から、表層血管複合体（SVC）と深部血管複合体（DVC）をセグメント化し、22の定量的特徴を抽出しました。データは患者ベースの交差検証で分割され、Univariate Feature Selection、Recursive Feature Elimination、Random Forest Feature Importanceを用いて特徴選択が行われました。最適化された機械学習アルゴリズム（XGBoost、Random Forest、K-Nearest Neighbors）をアンサンブルモデルに統合しました。
結 果：
アンサンブルモデルは、独立したテストセットにおいて74.28%の精度、90%の感度、53.33%の特異度、AUC 0.75を達成しました。特徴分析では、形態的記述子（形状係数、凸性、固体度、円形度）や血管密度パラメータ（血管面積密度、血管骨格密度）がモデル性能に強く寄与しました。
結 論：
本研究のアンサンブル機械学習モデルは、パーキンソン病の非侵襲的な分類とスクリーニングを支援する有望な枠組みを提供し、さらなる大規模かつ多施設での検証が必要です。