- Kotochinsky, M., Fonseca, P. E. O., Ramirez Lopera, V., Mora, L., Amador, W. F. O., Teixeira Sirena, E. C., Bandeira de Melo Guimaraes, F., Lahitou Herlyn, D., Sherpa, N. N., Gonzalez Lezana, A., & Fagundes, T. P. (2025). Comparative diagnostic performance of artificial intelligence models in structural MRI for schizophrenia: A systematic review and meta-analysis. Asian Journal of Psychiatry, 114, 104759. https://doi.org/10.1016/j.ajp.2025.104759
統合失調症は早期ほど症状の重なりで診断が揺れやすく、診断遅延は転帰悪化とも関連する。本論文は、構造MRI（sMRI）を入力とするAI診断モデルの性能を、PRISMA準拠の系統的レビュー／診断メタ解析で評価した。PubMed等から16研究・3601人を統合し、二変量ランダム効果モデルで推定した結果、統合感度0.76、特異度0.78、AUC0.82で研究間の異質性は大きい。サブグループでは深層学習がSVMより特異度とAUCが高く、全脳入力は灰白質特徴のみより良好であった。leave-one-outでは単一研究の影響は限定的で、結果は概ね安定した。QUADAS-2では概ね低リスクだが、外部検証や閾値設定の報告不足が残る。多くは患者対健常者の二値分類で、鑑別診断の現場では性能低下の懸念がある。AIは臨床判断を置換するのではなく補完する位置づけであり、導入には標準化と多施設前向き外部検証が必要である。
1. 序論
統合失調症は症状の多様性が大きく、早期精神病の段階では他の精神疾患や神経変性疾患との症状重複も起こり得るため、診断が難しい局面がある。診断の遅れや誤分類は一定割合で生じ、未治療精神病期間が長いほど長期転帰が悪化し得る。こうした背景から、より客観的で再現可能な診断支援が求められている。構造MRI（sMRI）は解剖学的分解能が高く、臨床での実装可能性も比較的高い。AI（機械学習・深層学習）と組み合わせることで、臨床症状だけでは捉えにくい微細な神経解剖学的パターンを検出し、診断不確実性の低減に寄与し得る。ただし既存のメタ解析はfMRIやDTIなど複数モダリティを混在させ、方法論的異質性が大きく、sMRIに固有の診断性能を評価しにくかった。そこで本研究は、成人統合失調症の診断における「sMRI×AI」モデルの診断性能を、系統的レビューと診断メタ解析で評価することを目的とした。
2. 方法
本研究はPRISMA 2020に沿って実施され、PROSPEROに事前登録された。PubMed、Embase、Cochraneを用い、2025年4月までに成人統合失調症の診断にsMRIを入力としてAIモデルを用いた研究を検索した。評価指標は感度（SE）、特異度（SP）、AUCである。
2.1. 研究選択と適格基準
対象は成人の統合失調症患者を含む研究で、sMRIデータをAI診断モデルの入力として用い、診断性能指標（SE/SP/AUCなど）を報告していることを要件とした。機能画像や拡散画像のみでsMRIを含まない研究、レビューや社説、症例報告、手法提案のみでモデル評価が不十分な研究、前処理や解析の記述が不完全な研究は除外した。検索語は統合失調症／精神病、機械学習／深層学習／AI、構造MRI、診断精度関連語を組み合わせ、参考文献の手検索も行った。
2.2. 文献スクリーニングとデータ抽出
2名の研究者が独立にスクリーニングとデータ抽出を行い、相違は合意形成、必要に応じて第三者の判断で解決した。各研究の基本特性と、事前に定めた診断指標を抽出した。
2.3. データ解析と統合
感度・特異度はランダム効果モデルで統合し、異質性はI²とtau²で評価した。閾値の違いを踏まえ、二変量ランダム効果モデルでSROC曲線を作成し、AUCと95%CIはRのdmetatools（AUC_boot）による2000回ブートストラップで推定した。異質性が予想されるため、アルゴリズム別（SVMと深層学習）および入力特徴別（灰白質中心の特徴と全脳入力）でサブグループ解析を行い、さらにleave-one-outで単一研究の影響を点検した。
2.4. 質評価
改変QUADAS-2により、患者選択、指標検査、参照標準、フロー／タイミングの4領域でバイアスリスクを評価し、最初の3領域では適用可能性懸念も評価した。
3. 結果
3.1. 研究選択と特性
検索で1266報を同定し、重複除去とタイトル・抄録スクリーニング後に35報を全文評価し、最終的に16研究（参加者3601人）を統合対象とした。研究は国やデータセット、前処理、特徴量設計、検証方法が多様であり、SVMを中心とする伝統的機械学習から3D-CNNやDNNなど深層学習まで幅があった。入力も、VBM由来の灰白質密度・体積、皮質厚やROI指標、あるいはボクセルレベルの全脳構造データなどに及んだ。
3.2. 全研究の統合解析
全研究をまとめた統合推定では、感度0.76、特異度0.78であった。SROCに基づくAUCは0.82で、感度・特異度ともに統計学的に有意な異質性が認められた。すなわち、平均的には中等度以上の識別能が示唆される一方、研究間で性能のばらつきが大きく、単一の数値をそのまま臨床導入の根拠とするには慎重さが必要である。 全体の異質性は、感度でI²=73.5%、特異度でI²=84.3%と高かった。AUCは全体0.82（95%CI 0.75–0.89）であった。
3.3. サブグループ解析：処理アルゴリズム別
SVM群の統合推定は、感度0.71、特異度0.78、AUC0.78であり、異質性は感度I²=71.8%、特異度I²=86.4%と高かった。これに対し深層学習群では、感度0.82、特異度0.83、AUC0.89と、特異度と識別能が相対的に高かった。さらに深層学習群では感度I²=24.3%、特異度I²=0%まで低下し、研究間の推定値がより一貫していた。深層学習は高次元画像から非線形表現を自動学習でき、手工的特徴量に依存しがちなSVMより、微細で分散した構造パターンを捉えやすい可能性が示唆された。
3.4. サブグループ解析：神経解剖学的入力別
灰白質特徴に限定した群では、感度0.72、特異度0.80、AUC0.81で、異質性は感度I²=61.0%、特異度I²=69.6%であった。一方、全脳入力を用いる群では、感度0.75、特異度0.86、AUC0.88と、とりわけ特異度が高かった。他方で全脳入力群の異質性は感度I²=76.2%、特異度I²=84.7%と高く、性能の高さと研究間差の大きさが併存していることが示唆された。
3.5. 一研究除外（leave-one-out）解析
leave-one-outでは、単一研究の除外で統合推定が大きく変化する所見はなく、感度は0.75～0.77、特異度は0.77～0.79、AUCは0.82～0.84の範囲に収まった。したがって、全体結果は特定の研究1本に強く依存しているわけではない。
3.6. バイアスリスク評価
QUADAS-2では全体として低リスクが多かったが、独立した検証セットや意思決定閾値の事前規定を報告しない研究が指標検査領域で懸念とされた。また参照標準（診断確定手続き）の記述が不十分な研究もあり、検証可能性や適用可能性の評価を難しくしていた。
4. 考察
本研究は、sMRIに限定したAI診断モデルの診断性能を統合し、平均的には感度・特異度ともに0.7台後半、AUC0.82と「有望だが暫定的」な水準を示した。サブグループ解析からは、深層学習と全脳入力が、SVMや灰白質中心特徴より高い特異度とAUCを示す傾向が確認された。深層学習群で異質性が小さかった点は、前処理や撮像条件の差に対する頑健性、すなわち一般化可能性に関する示唆となる。臨床的には、症状が重なり鑑別が難しいケースで、AI搭載sMRIが精神科医の判断を置換するのではなく補完し、診断の一貫性を高める補助線となり得る。しかし現在報告されている高性能の多くは、患者と健常者の二値分類に依拠しており、実臨床で直面する鑑別にそのまま外挿すると性能低下が起こり得る。
考察では、研究間の異質性の原因として、モデル構造、入力特徴、前処理パイプライン、検証戦略の差が強調されている。性別比の偏りなど人口統計的差も推定値の分散に寄与し得る。また、leave-one-outで特定研究の影響が限定的であったことは、異質性が外れ値ではなく広範な方法論的ばらつきに由来する可能性を支持する。質評価でも、外部データでの独立検証や閾値の事前規定が不足している研究があり、過学習や最適化バイアスにより性能が過大評価される余地が残る。したがって今後は、撮像・前処理・入力表現・評価指標・診断基準をできるだけ標準化し、同一の調和化データセット上での直接比較を行う必要がある。
本研究の強みは、臨床で利用しやすいsMRIに限定して多モダリティ由来の混乱を避けた点、アルゴリズムと入力の違いが性能に与える影響を分解して示した点、公開データセット利用研究における対象重複をできるだけ避けるよう選択基準を調整した点にある。一方の限界として、病期、薬物治療歴、治療抵抗性などの臨床情報が不十分で感度解析ができなかったこと、小規模・単施設研究が多く人口統計学的多様性が限られること、参照標準や学習手続きの報告の不透明さ、同一データでの直接比較の不足が挙げられる。加えて、計算手法の複雑性は、非専門家が限界を理解した上で診療に組み込む難しさも孕むため、解釈可能性と運用上のガバナンス設計が重要である。
5. 結論
sMRIを用いたAIモデルは、統合失調症の診断において有望ではあるが、現時点では暫定的な性能である。総合すると深層学習と全脳入力が、SVMや灰白質特徴より高い特異度とAUCを示す傾向がある。日常診療への導入には、前向き・多施設の外部検証、標準化された評価、そして臨床で遭遇する鑑別課題を含む検証枠組みが不可欠である。
構造MRI
構造MRIとfMRIの違いは、ざっくり言うと「何を写しているか」と「時間の扱い方」が根本的に違う。
構造MRI（sMRI）は、脳の「かたち」を撮る検査である。T1強調画像やT2強調画像などのシーケンスを用いて、灰白質や白質、脳室、皮質の厚み、体積など、解剖学的な構造を高い空間分解能で写し出す。撮影は一度スキャンすればよく、結果として得られるのは基本的に「静止画」である。臨床では、腫瘍、梗塞、萎縮、発達の異常など、構造レベルの異常を調べるために使われている。統合失調症の研究・診断支援では、灰白質体積の減少パターンや皮質形状の微妙な違いなどをAIに学習させる用途に向いている。
これに対してfMRIは「機能的MRI」であり、脳の「働き方」を時間軸に沿って測る検査である。最も一般的なのはBOLD-fMRIで、神経活動の変化に伴う血流・血中酸素濃度の変化を間接的な指標として捉える。数秒おきに同じ断面を連続的に撮影し、時間方向のデータ列（時系列）として扱うため、結果は静止画ではなく「動画的」な4次元データになる。ある課題をしている間の活動変化を調べたり、安静時のネットワーク（機能結合）を解析したりすることが主な用途である。空間分解能はsMRIより粗く、代わりに時間解像度を優先している。
技術的にも違いがある。sMRIは主に高分解能のT1強調画像などを使い、1回の撮像で数分程度で終了し、動きにも比較的強い。fMRIはEPI（echo-planar imaging）などの高速撮像法を用い、十数分にわたって連続撮像するため、被験者の頭部運動や眠気の影響を受けやすい。また、fMRIは信号自体が低くノイズが多いため、前処理や統計解析の手順が複雑になりがちである。
臨床応用の観点からみると、sMRIは既に精神科・一般科で広く使われている標準的な検査であり、その画像をそのままAIの入力にできる点で実装可能性が高い。一方fMRIは、設備や撮像時間、解析の手間の点で負担が大きく、研究では盛んであるが、日常診療で汎用的に使うにはハードルが高いという位置づけである。 したがって、本件のような統合失調症診断支援のメタ解析では、「現実に病院で回しやすい技術」としてsMRIに絞って性能を評価しているのである。
QUADAS-2
QUADAS-2は、「診断精度研究の質を評価するためのチェックリスト（評価ツール）」である。 正式には Quality Assessment of Diagnostic Accuracy Studies-2 といい、系統的レビューやメタ解析で、個々の診断研究にどれくらいバイアスのリスクがあるか、結果がどれくらい一般化可能かを判断するために使われる。
診断精度研究（ある検査が病気のある／なしをどれくらい正しく判定できるかを調べる研究）は、デザインの仕方や解析の仕方によってバイアスが入りやすい。 QUADAS-2は、こうしたバイアスの入りやすいポイントを4つの領域に分けてチェックする枠組みである。
その4領域は次の通りである。
患者選択（Patient selection） どんな患者を集めたか に関するバイアスをみる。 例：都合のよい症例だけを選んでいないか、ケース・コントロールデザインで極端な「重症 vs 健康」だけを比べていないか、など。
指標検査（Index test） 評価したい検査（今回なら「sMRI＋AIモデル」）そのものの実施・解釈に関するバイアス。 例：カットオフ（閾値）を事前に決めず、データを見て都合のよいところを選んでいないか、診断名を知っている状態で検査結果を解釈していないか、など。
参照標準（Reference standard） 「正解ラベル」として使っている診断や検査（ゴールドスタンダード）の妥当性や、公平な運用に関するバイアス。 例：DSM診断を誰がどのように付けたのか、AIモデルの結果を知らない状態で診断しているか、など。
フローとタイミング（Flow and timing） 患者が指標検査・参照標準の両方を受けているか、その間に時間差が大きすぎないか、途中で脱落した症例の扱いが適切か、といった部分。
各領域で「バイアスのリスク（Risk of bias）」を
- 低リスク（Low）
- 高リスク（High）
- 判定不能（Unclear）
のいずれかで評価する。 さらに最初の3領域（患者選択・指標検査・参照標準）については、その研究結果を自分が知りたい場面に「適用してよいか」という観点の 適用可能性の懸念（Concerns regarding applicability） も同様に評価する。
診断メタ解析では、単に各研究の感度・特異度を統合するだけでなく、 「質の悪い研究ばかりで出た高い精度なら、話半分で聞くべきだ」 「質の高い研究が揃っているなら、結果はある程度信頼してよい」 といった判断が必要になる。
QUADAS-2を使うことで：
- どの領域でバイアスが入りやすい設計だったかを可視化できる
- 質の低い研究をメタ解析から除外したり、感度分析として別扱いにしたりできる
- 読者に「このメタ解析の土台になっている研究群の信頼性」を説明しやすくなる
