機械学習を用いた臨床および検査データによる脂肪肝疾患の診断と重症度評価

なぜ脂肪肝疾患は一般の人に関係があるのか

脂肪肝疾患は、世界で最も一般的な長期的肝疾患の一つとして静かに広がり、成人のおよそ3分の1、そして自覚症状のない人にも多く見られます。肝臓に脂肪が過剰に蓄積し、早期に発見されなければ、徐々に線維化、肝不全、さらには肝癌へと進行する可能性があります。しかし現在利用可能な検査の多くは、針生検のように侵襲的であったり、多くの診療所が持たない高価なスキャナーに依存しています。本研究は、日常的な血液検査や身体測定と最新の計算手法を組み合わせることで、誰が脂肪肝を持ち、どの程度進行しているかをより簡便に見分けられるかを探ります。

沈黙の病気が深刻化する可能性

脂肪肝（steatotic liver disease）は肝細胞内に脂肪が蓄積することで始まります。初期の単純性脂肪変性（simple steatosis）は無症状のことが多く、偶然に発見される場合もあります。しかし時間が経つと、脂肪が炎症や肝損傷を引き起こし、線維化（fibrosis）や組織の硬化、最悪の場合は肝硬変や肝不全につながります。初期は沈黙しているが可逆的であるため、重度の線維化が進む前に病気を発見することが重要です。問題は、肝損傷の評価に広く使われている多くのツール――特殊な超音波機器や血液ベースのスコアリングシステムなど――が高価であるか、広く利用できないか、あるいは肥満のある人に対して信頼性が低い場合がある点です。肥満はリスクが高い集団の一つです。

日常の健康診断を肝臓のスクリーニングに変える

研究者らは、日常的な臨床情報を強力なスクリーニングツールに変えられないかと問いかけました。彼らはイラン・テヘランの消化器疾患クリニックを受診した210人の成人の記録を用いました。各被験者について、身長・体重といった基本的な測定値や、コレステロール、中性脂肪、空腹時血糖、肝酵素、鉄関連マーカーなどの標準的な血液検査を収集しました。肝臓の脂肪蓄積と線維化の重症度はFibroScanと呼ばれる特殊な装置で既に測定されており、研究チームは参加者を健康な肝から軽度、中等度、重度の脂肪蓄積、さらには進行した線維化の5つのグループに分類しました。これらのグループがコンピュータモデルの学習と評価の「正解」として使われました。

データの増強と機械学習の訓練

機械学習では210人というサンプル数は比較的小さいため、チームは実データに慎重に制御したランダムな揺らぎを加えた追加の「合成」患者記録を作成しました。これらのシミュレーション記録が元のデータセットと同じ全体的なパターンに従っていることを確認し、データセットを1,500サンプルに拡張しました。次に、決定木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなどを含む8種類の機械学習手法と、それらの組み合わせをテストしました。各モデルには臨床および検査データのみを用いて、被験者がどの5つの肝状態グループに属するかを予測させました。性能評価は単なる全体的な正確性だけでなく、病気の人を誤って健康と判定する頻度の低さ――スクリーニングツールとして重大な関心事――も考慮されました。

重要な少数の指標を見つける

いくつかのモデル、特にサポートベクターマシンとブースティング法（SVM–XGBoost）を組み合わせたハイブリッドは、利用可能な26の特徴すべてを用いた場合に約93%の精度を達成しました。ツールをより簡便で使いやすくするため、研究者らは次に予測に最も寄与する測定値を検討しました。統計的手法によりまず8つの特に重要な特徴が浮かび上がりました。これには体格指数（BMI）、中性脂肪、空腹時血糖、フェリチン（鉄貯蔵タンパク）、血小板、アルカリフォスファターゼ、クレアチニン、血液凝固の指標が含まれていました。肝臓専門医がこれらの結果を検討し、病態生理に強く結びつき、日常診療で実用的な4つの指標――BMI、中性脂肪、空腹時血糖、フェリチン――を選びました。注目すべきことに、モデルをこれら4つの入力のみで再学習させても、患者を正しく分類する割合は約70%を維持し、最良の手法では最大76%に達しました。

患者と診療所にとっての意義

一般の人にとっての主なメッセージは、標準的な健康診断で得られる少数の数値――BMI算出のための体重と身長、そして脂質、血糖、鉄貯蔵量を測る簡単な血液検査――をうまく設計されたコンピュータモデルで解釈すれば、肝臓の健康状態を驚くほど詳細に示すことができるという点です。これらのツールは、専門医の判断や利用可能な専門的画像診断に代わるものではありませんが、特に資源が限られた診療所や脂肪肝が一般的な地域でリスクのある人を特定する有望な手段を提供します。早期発見は減量、より健康的な食事、運動の増加といった生活習慣の改善を促し、肝臓の健康を改善することが知られています。本研究は、近い将来、定期的な検査結果が沈黙するが深刻な病気に対する早期警戒システムとしても機能し得ることを示唆しています。

引用: Sadeghi, B., Zarrinbal, M., Poustchi, H. et al. Diagnosis and grading of steatotic liver disease via clinical and laboratory data using machine learning. Sci Rep 16, 6866 (2026). https://doi.org/10.1038/s41598-026-36834-2

キーワード: 脂肪肝疾患, 機械学習, 血液検査, BMIと中性脂肪, 非侵襲的診断