「急な激しい腹痛」で知られる急性膵炎。多くは軽症で済みますが、約2〜3割は重症化し、命に関わることもある厄介な病気です。もし、発症してすぐに「重症化するリスクがどのくらいあるか」を正確に予測できれば、より迅速で効果的な治療につなげられるはずです。しかし、従来の予測方法は時間がかかったり、精度に課題があったりと、医療現場では常に悩みの種でした。
この難しい課題に、最新のAI技術が新たな光を当てようとしています。中国の研究チームが開発した「リキッドニューラルネットワーク」という新しいAIモデルが、驚くほど高い精度で重症化リスクを予測できる可能性を示したのです。一体どのような技術で、私たちの医療をどう変える可能性があるのでしょうか。この記事では、その最新の研究成果を分かりやすく解説していきます。
背景：急性膵炎における早期重症度予測の必要性
急性膵炎は世界中で何百万人もの人々に影響を及ぼしており、その発生率は人口10万人あたり4.9人から73.4人と推定されています。ほとんどの症例は軽症（MAP）ですが、約20～30%は持続的な臓器不全、壊死を特徴とし、死亡リスクが10倍に増加する重症急性膵炎（SAP）に進行します。このような経過の多様性を考えると、時機を逸しない介入を開始し、望ましくない結果を減らすためには、病気の重症度を早期にかつ正確に予測することが極めて重要です。
従来、急性膵炎のリスク層別化には、Ransonスコア、BISAPスコア、APACHE II、CTSIといった臨床スコアリングシステムが用いられてきました。しかし、それぞれ結果が出るまでに時間がかかる、感度や特異度が限定的であるといった限界があり、初期段階での意思決定における使用を妨げていました。
研究の目的：リキッドニューラルネットワークを用いた予測モデルの開発
これらの課題に対応するため、中国の桂林医科大学第二附属病院の研究者たちは、リキッドニューラルネットワークに基づく新しい機械学習モデルを開発し、急性膵炎の重症度を予測しました。この後ろ向き研究では、2020年1月から2024年6月の間に入院した732人の急性膵炎患者（SAP 137人、MAP 585人）のデータが分析されました。
【編集者注】
LNNは、動的なリザーバーを利用して時系列データを処理する革新的なニューラルアーキテクチャの一種です。従来のフィードフォワードネットワークとは異なり、LNNは動的な「液体」層を組み込んでいるため、入力シーケンスにおける複雑な時間的依存関係を捉えて利用することができます。ニューラルコンピューティングに動的な視点を提供することで、LNNはシーケンシャルデータが関わる複雑な問題を解決するための有望な道筋を示しています。
– https://ieeexplore.ieee.org/abstract/document/10466162
この研究の目的は、LNNの予測性能を、ロジスティック回帰（LR: Logistic Regression）、決定木（DCT: Decision Tree）、ランダムフォレスト（RF: Random Forest）、そして極端勾配ブースティング（XGBoost: Extreme Gradient Boosting）モデルと比較し、さらにSHAP（SHapley Additive exPlanations）を用いて特定のバイオマーカーの臨床的関連性を評価することでした。この研究成果は、2025年5月13日にScientific Reports誌で発表され、オープンアクセス論文は「「Constructing a Prediction Model for Acute Pancreatitis Severity Based on Liquid Neural Network（リキッドニューラルネットワークに基づく急性膵炎重症度の予測モデル構築）」」と題されています。
方法論：データの前処理とモデル設計
患者データは、定義された選択基準と除外基準を用いてフィルタリングされ、欠損データが40%を超える変数を除いた後、64の臨床変数が保持されました。変数の範囲は、血球数や肝酵素から脂質プロファイル、凝固マーカーにまで及びました。
クラスの不均衡に対処するため、研究チームはK近傍法（K-Nearest Neighbor algorithm、K=5）と外れ値除去を伴うSMOTE（Synthetic Minority Oversampling Technique）を採用しました。特徴選択は、AUC（曲線下面積）を指標とした新しい手法を用いて行われ、予測能力によって変数をランク付けし、性能を低下させるものを除外しました。
各モデルは70/30の訓練・テスト分割を用いて訓練・評価され、5分割交差検証が適用されました。評価指標には、AUC、正解率、適合率、再現率、F1スコア、特異度が含まれました。
結果：LNNが従来のモデルおよびアンサンブルモデルを上回る
テストされた5つのモデルの中で、LNNは一貫して優れた結果を示しました。
AUC: 0.9659
正解率: 90.3%
適合率: 91.0%
再現率: 90.0%
F1スコア: 90.5%
特異度: 90.6%
このモデルがこれらの成果を達成するのに必要とした特徴量はわずか27個で、これはLR（28個）、RF（29個）、XGBoost（34個）よりも少なく、その効率性の高さが際立っています。主要な予測因子には、α-HBDH、カルシウム（Ca）、アミラーゼ（AMY）、好塩基球比率（BAS%）、二酸化炭素結合能（CO2CP）、および好酸球比率（EOS%）が含まれていました。
データセットのわずか5%で訓練した場合でも、LNNは0.8447のAUCを達成し、畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）を含む他のすべてのモデルを上回りました。このことは、サンプルサイズが小さい実世界のシナリオでの高い適用可能性を示唆しています。
SHAP分析：重要な予測因子の解明
LNNモデルのSHAPによる解釈は、カルシウムレベル、AMY活性、BAS%、CO2CP、およびEOS%が重症度予測へのトップクラスの貢献因子であることを裏付けました。これらの知見は、免疫調節不全、代謝障害、炎症カスケードといった、急性膵炎における既知の病態生理学的機序と一致しています。
その他の重要な特徴には、肝機能、脂質代謝、全身性炎症に関連するバイオマーカーであるA/G比、HDL-C、トリグリセリド、CRPが含まれていました。
考察：臨床的意義と今後の展望
本研究では、急性膵炎患者におけるSAPを特定するためのLNNベースの予測モデルを開発し、その性能を4つの確立された機械学習アルゴリズムと比較しました。高度なデータ前処理と特徴選択技術を通じて、LNNモデルは優れた正解率、適合率、再現率、特異度を達成し、そのすべてが90%を超えました。これらの結果は、LNNが急性膵炎の早期リスク層別化のための臨床的に実行可能なアプローチを提供する可能性があることを示唆しています。
SAPを早期に識別する能力は、入院、集中治療、外科的介入に関する決定を導く上で不可欠です。しかし、従来のスコアリングシステムは、データ収集の遅れ、複雑さ、または疾患特異性の不足により、十分な役割を果たせていませんでした。例えば、Ransonスコアは完了までに48時間かかり、BISAPスコアは重要な消化器系の要因を見落としています。同様に、APACHE IIは複雑で汎用性が高く、CTSIは放射線学的解釈に大きく依存しています。
対照的に、機械学習モデルは適応性、パターン認識、そしてリアルタイムでの応用の可能性を提供します。RF、XGBoost、ニューラルネットワークを用いた急性膵炎予測に関する最近の研究は有望であり、一部のモデルは0.96もの高いAUC値に達しています。しかし、多くは依然として大規模なデータセットに依存しており、過学習や解釈可能性の課題を抱えがちです。
LNNアプローチはこれらの限界に対処します。常微分方程式に基づいて構築されたそのアーキテクチャは、シーケンシャルな小規模サンプルデータを効率的に処理することを可能にします。本研究では、最小限の訓練データであっても、従来の深層学習モデルの両方を上回る性能を示しました。
重要なことに、SHAPの使用は、予測に最も影響を与えた特定の特徴を特定することで透明性を提供しました。例えば、低カルシウム血症はSAPの重要なマーカーであることが確認され、これは予後不良との関連性と一致しています。炎症と免疫調節において重要な役割を果たす、上昇したAMY活性、低下したCO2CP（酸塩基平衡の乱れを示す）、および好酸球活性もまた検証されました。
これらの有望な結果にもかかわらず、本研究には限界があります。後ろ向きかつ単一施設での研究であったため、一般化可能性が限られる可能性があります。さらに、トリプシノーゲン活性化ペプチドやマクロファージ遊走阻止因子といった特定のバイオマーカーが利用できなかったため、さらなる検証が制限されました。ハイパーパラメータの調整も時間とリソースによって制約を受けました。
今後の研究では、複数の施設でモデルを検証し、追加のバイオマーカーデータを取り入れることを目指すべきです。モデルのキャリブレーションと臨床ワークフローでの使いやすさを向上させることが、導入にとって極めて重要となるでしょう。
結論
この研究は、特に膵炎のような迅速な意思決定を必要とする急性疾患の臨床予測における、リキッドニューラルネットワークの大きな可能性を浮き彫りにしました。比較的小さく解釈可能な特徴セットで高い精度を達成することにより、LNNモデルはSAPのリスクがある患者を早期に特定するための強力な新しいツールを提供し、積極的なケアと治療成績の向上への道を開きます。
