機械学習による多発性硬化症の分類と障害予測：臨床データとMRIデータを用いて
カテゴリ：手術支援
公開日：2026年4月28日
タイトル：Machine learning for multiple sclerosis classification and disability prediction using clinical and MRI data.
雑誌名：Front Artif Intell. 2026; 9: 1792870. doi: 10.3389/frai.2026.1792870.
概 要：
この研究は、多発性硬化症（MS）の患者を健康な対照群から区別し、MSの表現型を分類し、障害を予測するために機械学習（ML）を適用しました。1,554人のMS患者と520人の健康対照者から得た人口統計、臨床データ、MRIデータを使用し、EDSSスコアを用いて障害の予測を行いました。MLモデルは高い精度でMSの分類と障害予測を実現しました。
方 法：
本研究では、イタリア神経画像ネットワークイニシアティブのリポジトリから収集した1,554人のMS患者と520人の健康対照者を対象にしました。MRIデータから得られた特徴量には、T2病変体積や皮質・皮質下灰白質、白質、小脳、脳幹の正規化された組織体積が含まれます。サポートベクターマシン、マルチレイヤパーセプトロン、ランダムフォレスト、勾配ブースティングなどのMLモデルを訓練し、SHAP分析を用いて最も影響力のある変数を特定しました。
結 果：
MLモデルは、MS患者と健康対照者を89-96%の精度で区別し、主にT2病変体積と脳幹・小脳の灰白質体積が寄与しました。再発型と進行型MSの分類精度は92%で、EDSS、年齢、視床および皮質の灰白質体積が重要な予測因子でした。EDSSの予測では、0.56-0.76の信頼性を示し、T2病変体積、性別、皮質・小脳の灰白質体積、視床の体積が主要な寄与因子でした。
結 論：
MLモデルは、MSの検出、表現型の区別、障害の予測において高い精度を示しました。人口統計、臨床、MRIの測定値を統合することが、患者の分類と病気の重症度評価において効果的な戦略であることが明らかになりました。