MRIとAIで筋疾患の診断精度を向上：遠位型・筋原線維性ミオパチーの新たなアプローチ

11月 2, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Diagnostic accuracy of MRI-derived imaging biomarkers and machine learning-based classification in distal and myofibrillar myopathies
European Radiology｜被引用数: 0（2026年11月1日時点）

遠位型ミオパチーや筋原線維性ミオパチーといった遺伝性筋疾患は、その多様性と希少性から診断が困難な場合があります。本ブログでは、これらの疾患の診断において、筋肉MRI画像から得られる特徴と機械学習を組み合わせることで、いかに診断精度を向上させ、より迅速な診断に貢献できるかという研究に焦点を当てます。

研究サマリー（FINER & PICO）

Feasible実施可能性	希少疾患の大規模多施設コホート研究で、既存のMRIデータと機械学習技術を用いて実施可能。
Ethical倫理面	多施設共同研究であり倫理委員会承認済みで、対象者から書面によるインフォームドコンセントを取得している。
Interesting面白さ	遠位型・筋原線維性ミオパチーの鑑別診断に特化した画像パターンと機械学習の有用性を示し新規性が高い。
Novel新規性	疾患特異的MRIパターンを大規模コホートで洗練し、機械学習と統合した新しい診断フレームワークを提案。
Relevant切実さ	疾患の診断プロセスを効率化し、遺伝子検査の指針となり、精密診断に貢献する臨床的意義が高い。
Measurable測定可能性	疾患特異的MRIパターンの感度・特異度、機械学習モデルのバランス精度で診断性能を定量的に評価。
Modifiable派生・改善	洗練されたMRIパターンと機械学習モデルを診断アルゴリズムに統合することで、診断プロセス改善に寄与。
Structured文章構造	後ろ向き研究、多施設共同、横断研究のデザインで、系統的な画像評価と統計・機械学習解析を実施。
PICO / PECO対象・介入・比較・結果	P(遺伝的に定義された遠位型/筋原線維性ミオパチー対象者), I(MRI画像バイオマーカーと機械学習), C(既存の診断方法), O(診断精度の向上と分類フレームワークの確立)。

診断が難しい希少な筋疾患への挑戦

どうも、Beyond the Pixelです。遠位型ミオパチー（DM）や筋原線維性ミオパチー（MFM）は、手足の遠位部（指先や足先に近い部分）の筋肉に影響を及ぼす遺伝性の病気で、その遺伝的多様性ゆえに診断が非常に難しいことで知られています。これまでの遺伝子検査では診断に至らないケースも多く、より効率的な診断方法が求められていました。近年、筋肉MRIは、これらの疾患における筋肉の変化パターンを捉える上で重要なツールとなっており、特定の疾患に特徴的な画像バイオマーカー（生体指標となる画像情報）を特定するのに役立っています。さらに、人工知能（AI）の一つである機械学習技術を組み合わせることで、診断プロセスをさらに進化させる可能性が示されています。この研究は、大規模な多施設共同研究のデータを用いて、これらの希少な筋疾患における筋肉MRIパターンを詳細に解析し、その診断性能を定量化すること、そして機械学習を活用した新しい画像ベースの分類フレームワークを開発することを目的としています。

**Figure 1.** Fig. 1 Flowchart with an overview of the study cohort解説: 本研究の対象者選定プロセスを示しています。当初173名から、除外基準を満たした8名を除き、最終的に165名の対象者が研究に含まれました。このうち138名は遺伝子診断が確定しており、27名は未診断でした。取得されたスキャンは、上半身が59件、下半身が163件でした。

この研究では、イタリア国内の13の神経筋疾患センターから集められた165名の対象者の筋肉画像（MRIまたはCT）が分析されました。そのうち138名は遺伝子診断が確定しており、19種類の疾患関連遺伝子にわたっています。合計6350の個別の筋肉が系統的に評価され、遠位型および筋原線維性ミオパチーにおけるこれまでで最大の画像研究となっています。

**Table 1.** Table 1 Summary of collected scans grouped by disease-causing gene解説: 疾患原因遺伝子別に収集されたスキャンの概要をまとめています。各遺伝子群の対象者数、下半身（LB）および上半身（UB）のスキャン数、スキャン時の平均年齢、および下半身全体のT1スコアが示されています。GNEミオパチーが最も多くの対象者を含むグループです。

MRIと機械学習が診断にどう貢献するか

この研究では、主に以下の3つの目的を掲げています。(1) 遠位型および筋原線維性ミオパチーにおける疾患特異的なMRIパターンを大規模なコホート（特定の共通特徴を持つ集団）で洗練させること、(2) これらの画像バイオマーカーの診断性能を定量化すること、(3) 差分診断をサポートするための、解釈可能な機械学習ベースの画像分類モデルを開発することです。研究対象者の筋肉MRIおよびCTスキャンデータは、遺伝的に診断が確定している遠位型および筋原線維性ミオパチーの対象者から後向きに（過去のデータを遡って）分析されました。各疾患における筋肉の関与パターンが詳細に記述され、その感度（疾患がある対象者を正しく特定する割合）と特異度（疾患がない対象者を正しく特定する割合）が計算されました。機械学習アルゴリズム（XGBoost、ロジスティック回帰、単一決定木モデル）は、筋肉のスコアと画像から導出された特徴（画像ルール）を用いて訓練され、バランス精度（クラス間の不均衡を考慮した精度）を用いて診断性能が比較されました。

疾患ごとに異なる筋肉の「サイン」

研究の結果、各疾患に特有の筋肉の画像パターンが明らかになりました。これらの画像パターンは、いずれも高い感度と特異度（75%から100%）を示し、疾患の診断に非常に有用であることが示されました。以下に、いくつかの主要な疾患で確認された特徴的な画像パターンを挙げます。

**Table 2.** Table 2 Patterns of muscle involvement解説: 各遺伝子疾患における特徴的な筋肉関与パターン、その感度、および特異度が示されています。例えば、GNEでは大腿二頭筋短頭が広筋よりも優位に侵されるパターンが100%の感度と82%の特異度を示します。ミオチリノパチーでは「脂肪ポケット」の存在が100%の感度と97%の特異度を持っています。

GNEミオパチーでは、大腿二頭筋短頭の早期関与が特に顕著であり、腸骨筋が腰筋よりも優先的に侵されるという新しい知見も得られました。これは、他の遠位型ミオパチーとの鑑別に役立ちます。

**Figure 2.** Fig. 2 Patterns of muscle involvement in GNE myopathy, DNAJB6-, MYH7- related myopathies, and desminopathy. GNE myopathy (a): predominant fatty replacement of iliacus (Ili) over the preserved and hypertrophic psoas muscle (Ps) in the pelvis, and complete fatty replacement of BFsh in the thigh in a 36-year-old patient; b the same pattern can be visualised in a 33-year-old patient, along with the complete sparing of vasti muscles and asymmetric involvement of sartorius (Sar) and gracilis muscles (Gra). DNAJB6-related myopathy (c, d): soleus (So) and GM are the most consistently involved muscles together with adductor magnus (AM) and biceps femoris long head (BFlh), while anterior leg muscles are relatively spared; vastus lateralis (VL) is at least as affected as FHL. The pattern can be recognised both in a 44-year-old patient with mild, predominantly proximal MFM (c) and in a 52-year-old patient with a distal myopathy (DM) with myoﬁbrillar pathology phenotype (DM-MP) with more severe disease (d). MYH7-related DM (e, f): EHL and TA are the earliest affected muscles in the lower limbs in a 37-year-old woman; at this stage, mild SCM muscle involvement is already evident in the upper body (e); thigh muscles are severely affected in a 57-year-old woman with more advanced disease, while anterior leg muscles are still more involved than those in the posterior thigh and leg (f). Desminopathy (g, h): FHL, peroneus (Pe) and semitendinosus (St) muscles are invariably involved; sartorius (Sa) and gracilis (Gra) are frequently affected as well (g, h), both in a 40-year-old man with mild disease (g) and in a 42- year-old man (h) with greater severity. With disease progression (h), both anterior and posterior leg muscles, including tibialis posterior (TP), may become fatty replaced, together with iliopsoas (IP) in the pelvis解説: GNEミオパチー、DNAJB6関連ミオパチー、MYH7関連ミオパチー、デスミノパチーにおける特徴的な筋肉関与パターンをMRI画像で示しています。例えば、GNEミオパチーでは腸骨筋の脂肪変性と大腿二頭筋短頭の関与が、MYH7関連ミオパチーでは前下腿の伸筋群（EHLやTA）の早期関与が見られます。

DNAJB6関連ミオパチーでは、後下腿の筋肉が前下腿よりも優位に侵され、特に半膜様筋、小殿筋、大内転筋などが早期に関与します。屈筋腱長筋が比較的保たれるのが特徴です。ミオチリノパチーでは、「脂肪ポケット」と呼ばれる多発性で斑状の脂肪変性領域が早期から見られることが非常に特徴的でした。この特徴は、診断特異度が97%と非常に高く、この疾患の重要な画像バイオマーカーとなります。

**Figure 3.** Fig. 3 Patterns of muscle involvement in myotilinopathy, distal ﬁlaminopathy, PLIN4-, RYR1-, and ANO5-related distal myopathies, and dysferlinopathy. Myotilinopathy: a, b Since the early disease stages, «fat pockets» can be visualised in the most frequently involved muscles in the disease, such as adductor magnus (AM), vastus intermedius (VI), soleus (So), GM, and gluteus minimus (Gmin). These areas tend to become conﬂuent as muscle pathology progresses (b). Asymmetry is another common feature of myotilinopathies, as seen in the soleus muscles (So) of a 38-year-old man (a) and in the rectus femoris (RF) of a 72-year-old man (b). Distal ﬁlaminopathy (c, d): calf involvement in a 29-year-old patient, along with early and asymmetric affection of semimembranosus (Sm) and vastus intermedius (VI) (c). More advanced muscle pathology in a 60-year-old relative of the same patient, with peculiar involvement of some muscles in the subfascial (vasti, adductor magnus—AM) or myotendinous junction (rectus femoris —RF) regions (d). PLIN4-related DM (e, f): anterolateral leg muscles and GM are the earliest and most consistently involved muscles (e), as can be seen in a 36-year-old woman. With disease progression, semimembranosus (Sm), adductor magnus (AM), and vasti muscles become involved, often asymmetrically, along with iliopsoas (IP) (f). Asymmetry can also be seen in the upper body of the same patient, where a peculiar involvement of splenius capitis (SC) among the neck extensors can be found, together with cervical paraspinal (Ps) and infraspinatus muscles (Is). Levator scapulae (LS) and subscapularis (Ss) are selectively spared (f). Calf muscle involvement in RYR1-, ANO5- related DM and dysferlinopathy (g–i): in RYR1-related DM (g), isolated GM involvement can be a feature, while it is more often associated with concomitant variable, asymmetric involvement of soleus (So) and adductor muscles in ANO5-related DM (h) and distal dysferlinopathy (i)**解説:** ミオチリノパチー、遠位型フィラミノパチー、PLIN4関連DM、RYR1関連DM、ANO5関連DM、ディスフェルリノパチーにおける筋肉の関与パターンをMRI画像で示しています。ミオチリノパチーでは「脂肪ポケット」と呼ばれる多発性の脂肪変性が特徴的です。PLIN4関連DMでは前外側下腿筋と腓腹筋内側頭が早期に侵されます。

ディスフェルリノパチーでは、後下腿の筋肉が優位に侵され、特に腓腹筋内側頭とヒラメ筋が常に影響を受けます。また、短STIRシーケンスで高信号（浮腫や炎症を示唆する所見）を示す筋肉が全対象者で見られました。これらの疾患特異的なパターンは、診断の手がかりとなります。

AIが切り開く精密診断の道

機械学習モデルのテストでは、XGBoost（エクストリームグラディエントブースティング、複数の弱い予測モデルを組み合わせて強力な予測モデルを構築するアンサンブル学習アルゴリズム）が最高の性能を達成しました。このモデルは、筋肉T1スコア（脂肪変性の程度を示す指標）と画像ルールを組み合わせたデータセットを使用した場合に、69%のバランス精度で11の遺伝性疾患を正確に区別できることを示しました。単一決定木モデル（質問を分岐していくことで分類を行う、解釈が容易なモデル）も多くの診断上関連性の高い画像特徴を捉えていましたが、XGBoostの方がより高い分類性能を示しました。しかし、単一決定木モデルは診断の推論プロセスが視覚的に透明であり、分類の決定がどのような画像所見に基づいているかを追跡できるという重要な利点があります。これは、放射線医学におけるAIツールの臨床実装においてますます重要視されている点です。

**Figure 4.** Fig. 4 Machine learning analysis and output. Confusion matrices for XGBoost and Single Decision Tree models using the three different datasets (T1- scores, imaging rules and all features combined) (a). Each matrix shows the classiﬁcation results for genetic entities; rows represent the true genetic diagnosis (true label) and columns the predicted one (predicted label). Values in the diagonal indicate correct predictions: colour intensity reﬂects the number of correctly or incorrectly classiﬁed cases, with darker shades indicating higher counts. Top-N Balanced accuracy for XGBoost and Single Decision Tree model (b). The Top-N accuracy indicates whether the correct genetic diagnosis falls within the top N predictions ranked by model probability. Across all values of N, models using all features (T1 scores + imaging rules) generally outperformed those using only one feature set, with the XGBoost model achieving the highest overall accuracy. Single Decision Tree model (c). Each node poses a binary question, proceeding to the left if the answer is yes and to the right if the answer is no until a terminal node is reached, indicating the predicted outcome. The presence of “fat pockets” was chosen as the most informative feature, allowing identiﬁcation of all patients with myotilinopathy. In the absence of this feature, the anterior or posterior predominance of leg involvement splits the tree into two major branches, highlighting the relevance of regional distribution patterns. Downstream, speciﬁc muscle involvement thresholds help differentiate between diseases解説: 機械学習モデル（XGBoostと単一決定木）の分析結果と出力が示されています。混同行列（a）は、各遺伝子疾患の分類結果を示し、対角線上の値が正しい予測を意味します。XGBoostは単一決定木よりも高いバランス精度（b）を達成しています。単一決定木モデル（c）は、診断の意思決定プロセスを視覚的に示し、「脂肪ポケット」の有無がミオチリノパチーの識別に最も重要な特徴として選ばれています。

この研究では、遺伝子診断が確定していない対象者の89%（18人中16人）が、分子診断が確定している対象者のクラスター（群）と密接にグループ化されることも示されました。これは、MRIから得られる表現型が生物学的に意味のある疾患関連性を捉えており、診断が未確定のケースにおいて補完的な情報を提供できる可能性を示唆しています。

**Figure 5.** Fig. 5 UMAP-based clustering of muscle MRI scans. Two-dimensional UMAP projection based on z-scores of T1-weighted signal intensity of lower body muscles, capturing patterns of fatty replacement in patients with genetically conﬁrmed and undiagnosed DM/MFM. Six distinct clusters are identiﬁed by unsupervised clustering. Coloured dots represent individual patients, coded by the gene harbouring pathogenic variants, while light blue dots denote undiagnosed patients. GNE myopathy patients cluster tightly into two different clusters (0 and 1), mainly deﬁned by differences in disease severity and age at MRI scan, conﬁrming the distinctive imaging phenotype of this cohort of patients. Most of the other clusters are enriched for one or a few speciﬁc genetic conditions, such as myopathies caused by DNAJB6, MYOT and FLNC variants for cluster 3, or by MYH7 variants for cluster 4. Patients with variants in DYSF and PLIN4 are more dispersed across multiple clusters. Only a few molecularly diagnosed patients remain unclustered, underscoring the robustness of the UMAP-based model in capturing key radiological patterns解説: 筋肉MRIスキャンのUMAP（均一多様体近似と投影）ベースのクラスタリング結果を示しています。下半身の筋肉におけるT1強調信号強度のzスコアに基づいた二次元UMAP投影で、遺伝子診断確定対象者と未診断DM/MFM対象者の脂肪変性パターンを捉えています。6つの異なるクラスターが特定され、GNEミオパチーの対象者はクラスター0と1に密に集積しています。未診断対象者の多くも、分子診断が確定した対象者のグループ内に位置しています。

さらなる進歩に向けて

本研究は、遠位型および筋原線維性ミオパチーにおけるこれまでの最大規模の画像研究ですが、いくつかの限界も存在します。希少疾患であるため、一部の遺伝子型では対象者数が限られており、機械学習モデルの性能に影響を与えた可能性があります。また、異なる施設間で取得プロトコルの標準化が不十分であったために、データの一部に欠損が生じました。今後の研究では、より多様な遺伝的背景を持つ対象者を含む国際的なコホートでの外部検証が不可欠です。また、機械学習アルゴリズムに生の画像データを直接入力することで、さらなる診断的洞察が得られる可能性も考えられます。本研究で示された疾患特異的なMRIシグネチャと機械学習の統合は、遺伝性神経筋疾患の精密診断のためのフレームワークを提供し、将来的に画像データとゲノムデータの統合を促進する基盤を築くものです。

用語集

遠位型ミオパチー (DM): 手足の指先や足先など、体幹から遠い部分の筋肉が主に侵される遺伝性の筋疾患。
筋原線維性ミオパチー (MFM): 筋線維の構造が破壊され、タンパク質が異常に凝集することによって起こる筋疾患。
MRI (磁気共鳴画像法): 磁気を利用して体の内部構造を画像化する技術。筋肉の脂肪変性などを詳細に評価できる。
画像バイオマーカー: 疾患の状態や進行度を示す、画像から得られる客観的な指標。
機械学習: 人工知能の一分野で、データから規則やパターンを学習し、予測や分類を行う技術。
XGBoost (エクストリームグラディエントブースティング): 複数の弱い予測モデルを組み合わせて強力な予測モデルを構築する、高性能なアンサンブル学習アルゴリズム。
バランス精度: クラス間のデータ数に偏りがある場合でも、モデルの性能を公平に評価するための指標。
感度: 疾患がある対象者の中で、検査が陽性となる割合。
特異度: 疾患がない対象者の中で、検査が陰性となる割合。
T1スコア: MRI画像で評価される筋肉の脂肪変性の程度を示す指標。スコアが高いほど脂肪変性が進んでいることを示す。
単一決定木モデル: 質問を分岐していくことで対象を分類する、人間が解釈しやすい機械学習モデル。
UMAP (均一多様体近似と投影): 高次元のデータを低次元に圧縮し、視覚化するためのアルゴリズム。データ間の類似性を保ちながら点の集合として表現する。
STIRシーケンス: MRIの撮像法の一つで、脂肪組織からの信号を抑制することで、浮腫や炎症など水成分が多い組織を高信号として強調表示する。