本研究グループでは，2004年ごろに（株）日立製作所の神鳥 明彦さん（研究開発グループ基礎研究センタ，博士（工学），博士（医学））との共同研究を開始し，2015年からは濱 聖司先生（信愛会 日比野病院，広島大学 脳・こころ・感性科学研究センター）が参加されて高次脳機能解析とリハビリテーション応用に関する研究を開始しました．独自に開発したiPadベースの検査アプリや機械学習アルゴリズム，脳画像解析法を駆使し，高次脳機能と脳損傷の関係解析を進めてきました．
一連の研究は「高次脳機能研究会」として展開しており，神鳥さん，濱先生，Bwave（株）の水口 寛彦さんらとの医工連携・産学連携研究です．また，いくつかの科研費に加えて，科学技術振興機構（JST）の「研究成果展開事業 研究成果最適展開支援プログラムA-STEP 令和４年度産学共同（育成型）（2022～2024年度）」にも採択されました．
https://fka-bsys.hiroshima-u.ac.jp/news/17357
今回新たに，脳卒中後の嚥下障害と脳損傷部位，認知機能低下との関係を機械学習的に解析した論文が掲載されました．この論文は修了生の幡 祐輔君（2024年度修了，MEグループ）の修士論文の一部で，高次脳機能研究会の研究成果です．この論文誌”Scientific Reports”はWeb of Scienceの”MULTIDISCIPLINARY SCIENCES”というカテゴリーのQ1ジャーナル（Journal Impact FactorとJournal Citation Indicatorによるランキング）です．おめでとうございます！！
今後も本研究チームとともに研究を継続し，さらなる研究成果につなげていければと思っています．
————————————————————————-
Machine learning analysis of the relationship between brain injury site and swallowing function and cognitive function in patients with stroke
Yusuke Hata, Seiji Hama, Akane Hamago, Shizuko Kiregawa, Yuki Sato, Ziqiang Xu, Akira Furui, Zu Soh, Harutoyo Hirano, Stephanie Sutoko, Tomohiko Mizuguchi,
Akihiko Kandori, Takao Hamamoto, Sachio Takeno, Shigeto Yamawaki, and Toshio Tsuji
Scientific Reports, doi.org/10.1038/s41598-026-52516-5, 14 May 2026.（early-access, SCIE, IF=3.9）
URL: https://www.nature.com/articles/s41598-026-52516-5
PDF: https://www.nature.com/articles/s41598-026-52516-5_reference.pdf
Stroke-related dysphagia is influenced by brain damage location and cognitive impairment, but its mechanisms remain unclear. In this study, we aimed to clarify the mechanisms by which brain damage causes dysphagia and cognitive function in 246 patients with stroke using a probabilistic neural network model. Dysphagia was classified as mild (oral intake with liquid and diet modifications) or severe (unable to take food orally, requiring tube feeding). Atlas-based segmentation applied to brain MRI data delineated 121 anatomically-defined regions, including 116 Automated Anatomical Labeling regions (AAL116), brainstem level 1, and white matter level 4 of the Automated Talairach Atlas Labels (ATAL), and the total score of five cognitive items on the Functional Independence Measure was used to evaluate cognitive function. Classifying dysphagia by severity and evaluating cognitive function resulted in improvements in prediction accuracy and reduced the number of predictor variables. In addition, after adding evaluations of cognitive function in both the severe and mild dysphagia groups, evaluations of the brain stem, which had remained a final predictor variable in the analysis of brain regions only, no longer remained. The results highlight the importance of integrating neurological imaging and cognitive assessment in the diagnosis and rehabilitation of dysphagia after stroke.
脳卒中に関連する嚥下障害は、脳損傷の部位や認知機能障害の影響を受けるが、そのメカニズムは依然として不明である。本研究では、確率的ニューラルネットワークモデルを用いて、脳卒中患者246名を対象に、脳損傷が嚥下障害および認知機能に及ぼすメカニズムの解明を目指した。嚥下障害は、軽度（液体摂取および食事調整が可能）または重度（経口摂取が不可能で経管栄養を必要とする）に分類した。脳MRIデータに適用されたアトラスベースのセグメンテーションにより、121の解剖学的に定義された領域が特定された。これには、116の自動解剖学的ラベリング領域（AAL116）、および自動タライラッハアトラスラベル（ATAL）の脳幹レベル1、白質レベル4が含まれる。また、認知機能の評価には、機能的自立度評価（FIM）の5つの認知項目における合計スコアを用いた。嚥下障害を重症度別に分類し認知機能を評価した結果、予測精度が向上し、予測変数の数が減少した。さらに、重度および軽度の嚥下障害群の両方において認知機能の評価を追加したところ、脳領域のみの分析において最終的な予測変数として残っていた脳幹の評価は、もはや残らなくなった。この結果は、脳卒中後の嚥下障害の診断とリハビリテーションにおいて、神経画像診断と認知機能評価を統合することの重要性を強調している。
<論文内容>
■目的
本研究は、脳卒中後の嚥下障害（dysphagia）が脳損傷部位、認知機能低下とどのように関係するのかを、機械学習を用いて明らかにすることを目的としています。特に、嚥下障害を軽度と重度に分けて解析することで、重症度ごとの異なる病態メカニズムを解明しようとしました。
■対象と方法
・対象は回復期リハビリテーション病棟に入院した脳卒中患者246名。
・嚥下機能は Food Intake LEVEL Scale（FILS） により評価し、
軽度嚥下障害
重度嚥下障害
嚥下障害なし（対照群）
に分類。
・認知機能は、重度障害があっても評価可能な FIM認知項目合計（cFIM）を使用。
・MRI画像を基に、121の脳領域（皮質、皮質下、脳幹、白質など）の損傷率を算出。
・機械学習には 対数線形化ガウス混合ネットワーク（LLGMN） を用い、
脳損傷部位のみ
脳損傷部位＋cFIM
の2条件で嚥下障害を予測。
■主な結果
・予測精度の向上
cFIM（認知機能）を加えることで、
軽度嚥下障害：正解率 0.71 → 0.789
重度嚥下障害：正解率 0.841 → 0.916
と大きく改善。
・脳幹の役割の再解釈
脳部位のみのモデルでは、脳幹が重要な予測因子として抽出。
しかし 認知機能を加えると、
軽度嚥下障害では脳幹は予測因子から消失。
重度嚥下障害では脳幹は引き続き重要だが、cFIMが最も影響の大きい因子となった。
・認知機能の重要性
嚥下障害の有無・重症度は、単なる局所脳損傷よりも、
脳損傷に伴う全体的な機能・認知低下（cFIM）と強く関連していた。
■考察・意義
・嚥下は脳幹だけでなく、大脳皮質・基底核・小脳など広範なネットワークにより制御される。
・認知機能低下は、嚥下障害の「原因」というより、同じ脳損傷により同時に生じる指標として重要。
・MRIと簡便な認知機能評価（cFIM）を組み合わせることで、専門的検査が難しい早期・重症例でも嚥下障害リスクを高精度に推定できる可能性を示した。
■結論
嚥下障害を軽度・重度に分けた機械学習解析により、
・重度嚥下障害では、脳幹と認知機能低下がともに重要
・軽度嚥下障害では、認知機能の影響が特に大きい
ことが明らかになりました。本研究は、神経画像と認知機能評価を統合した臨床的意思決定支援の有用性を示しています。
————————————————————————-
