残差ビジョントランスフォーマーを用いた手書き描画テストからのMCI検出

なぜ簡単な図が隠れた記憶障害を示すのか

医師が時計や立方体、連続した丸の列の描き方を見るだけで認知症の初期警告サインを見抜けると想像してみてください。こうした簡単なスケッチは臨床で既に使われていますが、手作業で採点され、医師の判断に大きく依存します。本稿はResViTと呼ばれる人工知能（AI）システムがこれらの描画を自動的に「読み取り」、ペンの線を軽度認知障害（MCI）の早期警告に変える方法を示します。MCIは正常な加齢と認知症の中間に位置する段階で、治療や計画が大きな違いを生むことがあります。

ペンと紙の検査からスマートなスクリーニングへ

軽度認知障害は計画、注意、空間把握を要する日常的な課題にまず現れることが多く、まさに描画検査が探る対象です。臨床では患者に特定の時刻を示す時計を描かせたり、三次元の立方体を模写させたり、散らばった数字や文字を順に結ばせたりします。従来は各描画を目視で採点しており時間がかかり、臨床者間で差が出やすいという問題がありました。著者らは3種類の描画をまとめて客観的に評価し、訓練された目でも見落とすようなパターンをコンピュータで検出するシステムを構築しようとしました。目的は医師に代わることではなく、迅速で一貫した第二の意見を提供することです。

二つの視点を融合する：細部と全体像

研究の中核はResViTと呼ばれるハイブリッドAIモデルで、互いに補完し合う二つの画像解析手法を組み合わせるよう設計されています。一方はResNetに基づく部分で、線のエッジや角、小さな歪みといった細部の検出に長けています。もう一方はビジョントランスフォーマー（ViT）で、ページ全体のレイアウト—時計や立方体、経路の要素がどのように配置されているか—を理解するのが得意です。これらのコンポーネントを順に通すのではなく並列に走らせ、得られた二つの情報流を融合して被検者の認知状態のより豊かな像を作り出します。

実際の患者の描画からの学習方法

アイデアを検証するため、研究者らは918名分の公開描画コレクションを使用しました。各被検者は時計、立方体、トレイルメイキング課題を完了しており、認知状態は標準的な臨床テストで既に判定され「健康」または「MCI」のラベルが付けられていました。チームは描画をグレースケール画像に変換し、リサイズして、回転や明るさの変更といった単純なデータ拡張を施してモデルの頑健性を高めました。訓練中、ResViTは予測を既知のラベルと繰り返し比較し、内部パラメータを調整しました。早期停止やドロップアウトなどの仕組みを入れて、訓練データを丸暗記するのではなく一般的な規則を学ぶようにしています。

性能と示唆するところ

未知の被験者に対する評価では、ResViTは健康な人とMCIの人を約4分の3の確率で正しく区別し、精度は74.09%、バランスされたF1スコアはおよそ0.67でした。これはResNetのみ、ViTのみ、またはEfficientNetといった他の有力モデルと比べて上回る結果です。大きな単体トランスフォーマーの約3分の1程度の内部パラメータ数で済むハイブリッドアプローチは、疾患検出の感度と誤検知回避のバランスに特に優れていました。ヒートマップ可視化を用いると、モデルが臨床的に意味のある領域—時計の数字、立方体の辺、トレイルの分岐点など—に注目している傾向が示され、人間の専門家と同様の手がかりに着目していることが示唆されます。

現状の限界と将来の可能性

著者らはこのシステムがまだ普遍的なスクリーニングツールになる準備は整っていないと強調します。データセットは規模が限られ、高齢者に偏っており、教育レベルや文化的背景といった描画に影響する重要な情報が欠けています。また、モデルは低消費電力の機器では計算負荷が高い可能性があります。それでもResViTは比較的少数の新しい例で適応可能なため、データが増えれば他の認知障害や新たな描画課題へ拡張できる余地があります。より大きく多様なデータセットの統合や、モデルの軽量化が日常利用への重要なステップとなるでしょう。

患者と家族にとっての意義

平たく言えば、この研究は慎重に設計されたAIが簡単なペンと紙のスケッチを記憶や思考の問題の初期兆候をとらえる実用的なツールへ変え得ることを示しています。74%の精度は完璧ではありませんが、安価で迅速かつ繰り返し使いやすい第一線の防御として有望です。将来的には、診療所でスキャンした描画や家庭のタブレットからの入力が、日常生活で明らかになるよりずっと前に微妙な変化を静かに通知し、医師や家族に対応する時間を与える可能性があります。ResViTのようなシステムは人間の判断を置き換えるのではなく、それをより一貫性とタイミングの良さで支え、認知症リスクのある人々に早期の支援をもたらすことが期待されます。

引用: Sirshar, M., Matloob, I., Tayyabah, A. et al. MCI detection from handwritten drawing test using residual vision transformer. Sci Rep 16, 10334 (2026). https://doi.org/10.1038/s41598-026-40716-y

キーワード: 軽度認知障害, 描画検査, 深層学習, ビジョントランスフォーマー, 早期認知症検出