「AIが発達障害を診断する時代」は来たのでしょうか？
近年、AI（人工知能）は医療のさまざまな分野で活用されるようになりました。
例えば、
- レントゲン画像から肺炎を見つける
- CT画像から脳卒中を検出する
- 眼底写真から糖尿病網膜症を発見する
など、人間では見逃してしまうような小さな特徴をAIが見つける研究が数多く報告されています。
では、ASD（自閉スペクトラム症）やADHD（注意欠如・多動症）もAIで診断できるのでしょうか。
結論から言えば、
現在のAIは、ASDやADHDを単独で診断できる段階にはありません。
しかし一方で、
医師や心理士の診断を支援する技術としては、大きな期待が寄せられています。
近年はAIを使って、
- 脳画像（fMRI）
- 文字を書く動き
- 筆圧
- 音声
- 視線の動き
などを解析し、発達障害の特徴を見つける研究が急速に進んでいます。
AI診断研究とは何か
AI診断研究とは、
コンピューターに大量のデータを学習させ、
人間では気付きにくいパターンを見つける研究です。
例えば、
100人のASDの人と、
100人のASDではない人のデータをAIに学習させると、
AIは、
「ASDの人には共通する特徴」
を少しずつ学んでいきます。
これは、
人間が一つひとつのデータを比較するよりも、
はるかに多くの情報を同時に処理できるAIだからこそ可能な方法です。
最近では、
数万件規模のデータをAIに学習させる研究も増えてきています。
fMRIとAI
現在もっとも研究が進んでいる分野の一つが、
fMRI（機能的MRI）
です。
fMRIでは、
脳の血流の変化を測定することで、
どの脳領域が活動しているかを調べることができます。
前回の記事でも紹介したように、
ADHDでは、
- DMN
- CEN
- サリエンスネットワーク
などの脳内ネットワークの働きに特徴がみられることがあります。
AIは、
こうした膨大な脳活動データを解析し、
人間には分からない微細なパターンを学習します。
近年では、
Deep Learning（深層学習）を用いて、
ASDやADHDを高い精度で分類したという研究も報告されています。
しかし、
研究ごとに精度には大きな差があり、
実際の医療現場でそのまま利用できる段階には至っていません。
筆圧や「文字を書く動き」から分かること
「文字を見る」のではなく、
「文字を書く動きそのもの」をAIが解析する研究も急速に増えています。
例えば、
タブレット端末やデジタルペンを使うと、
AIは、
- ペンを動かす速さ
- 筆圧
- ペン先が止まる時間
- 線の滑らかさ
- 書き始めるまでの時間
など、
数百種類もの情報を取得できます。
これらをまとめて、
筆記動態（Handwriting Dynamics）
と呼びます。
実は、
私たちは文字を書くとき、
脳のさまざまな機能を同時に使っています。
例えば、
- 運動機能
- 注意
- ワーキングメモリ
- 実行機能
- 視覚情報処理
などです。
つまり、
文字を書くという動作は、脳全体の働きを映し出す「窓」のような役割を果たしているのです。
そのため近年では、
AIが筆記動態を解析することで、
ASDやADHDの特徴を捉えようとする研究が盛んに行われています。
音声解析もAI研究の最前線
もう一つ注目されているのが、
音声解析（Speech Analysis）
です。
AIは、
話している内容だけではなく、
- 話す速さ
- 声の高さ
- 抑揚
- 間の取り方
- リズム
なども数値化できます。
例えば、
ASDでは、
話し方のリズムやイントネーションに特徴がみられる場合があります。
ADHDでは、
会話のテンポや話し始めるタイミングなどに特徴が現れることがあります。
もちろん、
これだけで診断できるわけではありません。
しかし、
AIは人間では気付きにくい微細な違いを統計的に見つけることができるため、
診断を支援する情報として期待されています。
AIは「何を見ている」のか
ここまで紹介してきた研究を見ると、
「AIは人間を見抜いている」
ように感じるかもしれません。
しかし実際には、
AIが見ているのは、
本人そのものではありません。
AIが解析しているのは、
- 脳活動
- 手の動き
- 音声
- 視線
- マウスやタッチパネルの操作
- スマートフォンの操作パターン
など、
客観的に測定できるデータです。
そして、
それらの情報を統合し、
「この特徴はASDの人に多い」
「この特徴はADHDの人に多い」
という統計的なパターンを学習しているのです。
つまり、
AIは「病気を見つけている」のではなく、
膨大なデータの中から、人間には見つけにくい共通点を探していると言えるでしょう。
前半のポイント
- AIはASD・ADHDを単独で診断できる段階にはない。
- AIは診断を支援する技術として期待されている。
- fMRIでは脳内ネットワークの特徴を解析する研究が進んでいる。
- 筆記動態は、文字そのものではなく「書く動き」を解析する研究である。
- 音声解析では話し方の特徴を客観的なデータとして利用する。
- AIは「人」を診断するのではなく、「データのパターン」を解析している。
後半では、
- デジタルバイオマーカーとは何か
- マルチモーダルAI（脳活動・筆記・音声を組み合わせる技術）
- ASD・ADHD併存例に関する最新研究
- AIはなぜ医師の代わりになれないのか
- 現在分かっていること・まだ研究段階のこと
- 今後5〜10年で期待される未来
- 参考論文（2023〜2026年のレビュー・原著を中心に整理）
を、最新の医学的知見に基づいて詳しく解説します。
デジタルバイオマーカーとは何か
近年、AI研究とともに急速に発展しているのが**デジタルバイオマーカー（Digital Biomarkers）**です。
「バイオマーカー」とは、本来、病気の診断や状態の評価に役立つ客観的な指標を指します。例えば、血糖値や血圧、血液検査の数値などが代表的な例です。
これに対し、デジタルバイオマーカーとは、スマートフォンやタブレット、ウェアラブル機器などのデジタルデバイスから得られる客観的なデータを利用して、健康状態や疾患の特徴を評価しようとする新しい概念です。
発達障害の研究では、
- スマートフォンの操作パターン
- タブレットで文字を書く動き
- 視線の動き
- 睡眠データ
- 身体活動量
- 音声データ
- 心拍変動
などが研究対象となっています。
重要なのは、これらは「本人の印象」ではなく、客観的に測定されたデータであることです。
従来の診断では、本人や家族への聞き取り、行動観察、心理検査が中心でした。デジタルバイオマーカーは、それらを補完する新たな情報源として期待されています。
マルチモーダルAIとは
現在のAI研究で最も注目されているキーワードの一つが、**マルチモーダルAI（Multimodal AI）**です。
「マルチモーダル」とは、「複数の種類の情報を組み合わせる」という意味です。
例えば、
- fMRIによる脳活動
- 筆記動態
- 音声
- 視線
- ウェアラブルセンサーによる活動量
など、それぞれ単独では分からない情報を組み合わせることで、より高い精度で特徴を捉えようとする研究が進んでいます。
これは医師が診察するときに、
- 問診
- 行動観察
- 心理検査
- 家族からの情報
を総合的に判断することとよく似ています。
AIも、一つのデータだけを見るのではなく、複数の情報を統合して判断する方向へ進化しているのです。
ASD・ADHD併存例に関する最新研究
ASDとADHDは別々の診断名ですが、実際には両方の特徴をあわせ持つ人も少なくありません。
DSM-5では、ASDとADHDの併存診断が認められるようになり、現在ではASDのある人の約30〜70％、ADHDのある人の約20〜50％に併存がみられると報告されています（対象や評価方法により幅があります）。
こうした併存例では、診断がより難しくなることがあります。
近年は、筆記動態と脳活動データをAIで統合解析し、ASD・ADHD併存例に特徴的なパターンを検出しようとする研究も報告されています。
例えば、
- 書字速度の変化
- ペンの停止時間
- 筆圧の変動
- 実行機能課題中の脳活動
などを組み合わせることで、従来よりも細かな特徴を抽出できる可能性が示されています。
ただし、こうした研究はまだ症例数が限られているものが多く、臨床現場で広く利用できる段階には至っていません。
AIはなぜ医師の代わりになれないのか
「AIの精度が高いなら、医師は必要なくなるのでは？」
そのように考える人もいるかもしれません。
しかし、現時点ではそのような考え方は支持されていません。
その理由の一つは、発達障害の診断は、検査データだけでは完結しないからです。
医師は、
- 幼少期からの発達歴
- 家庭や学校での様子
- 日常生活での困りごと
- 本人や家族の思い
- 他の疾患との鑑別
など、多くの情報を総合して診断します。
一方、AIは学習したデータの範囲でしか判断できません。
また、AIには現在もいくつかの課題があります。
- 学習データに偏りがあると、結果も偏る可能性がある（バイアス）。
- なぜその判断に至ったのか説明しにくい場合がある（説明可能性の課題）。
- 研究施設では高い精度でも、別の施設では同じ性能が得られないことがある（一般化性能の課題）。
そのため現在のAIは、医師に代わる存在ではなく、診断を支援するツールとして位置づけられています。
現在分かっていること・まだ研究段階のこと
現在、多くの研究で支持されていることは次のとおりです。
- AIは膨大なデータから、人間が見つけにくいパターンを抽出できる。
- fMRI、音声、筆記動態、視線解析などは有望な研究分野である。
- 複数の情報を組み合わせるマルチモーダルAIは、単独のデータより高い精度が期待されている。
- デジタルバイオマーカーは、診断だけでなく経過観察や治療効果の評価にも応用が期待されている。
一方で、まだ研究段階にあることも少なくありません。
- 研究ごとに対象者や解析方法が異なり、結果をそのまま比較しにくい。
- 大規模かつ多様なデータセットでの検証が十分とは言えない。
- 倫理や個人情報保護の課題が残されている。
- 現時点でAIだけを用いたASD・ADHDの確定診断は認められていない。
このように、AIは大きな可能性を秘めていますが、臨床応用には慎重な検証が必要です。
今後期待されること
今後の研究では、AIが診断を置き換えるのではなく、診断をより正確で効率的に支援する方向へ発展すると考えられています。
例えば、
- 地域による専門医不足を補う診断支援システム
- 発達の変化を継続的に評価するデジタルバイオマーカー
- 個々の認知特性に合わせた支援方法の提案
- リハビリテーションや教育の効果を客観的に評価するシステム
などへの応用が期待されています。
また、マルチモーダルAIがさらに発展すれば、「診断名」だけでなく、一人ひとりの認知特性や得意・不得意のプロファイルをより詳細に把握し、個別化された支援につながる可能性があります。
ただし、これらは現在も研究が進められている段階であり、実際の医療現場への導入には、安全性や有効性を確認するためのさらなる検証が必要です。
まとめ
AIは、ASDやADHDを単独で診断できる段階にはありません。
しかし、fMRI、筆記動態、音声解析、視線解析などから得られる膨大なデータを解析し、人間では見つけにくい特徴を抽出する技術として大きな期待が寄せられています。
近年では、複数の情報を統合するマルチモーダルAIやデジタルバイオマーカーの研究が進み、より個別化された診断支援や支援計画の作成につながる可能性が示されています。
一方で、発達障害の診断には、発達歴や生活背景、本人や家族の思いなど、数値だけでは表せない情報も欠かせません。
だからこそ、これからのAIは医師や心理士、作業療法士、言語聴覚士、教育者など、多職種の専門家を支えるパートナーとして活用されることが期待されています。
AIの進歩は、「人に代わる技術」ではなく、一人ひとりに合った支援を実現するための新しい道具として理解することが大切です。
参考論文
- Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine. 2019.
- Esteva A, et al. A guide to deep learning in healthcare. Nature Medicine. 2019.
- Vaessen T, et al. Digital biomarkers in mental health and neurodevelopmental disorders: A systematic review. npj Digital Medicine. 2024.
- Duda M, Haber N, Wall DP. Use of machine learning for behavioral distinction of autism and ADHD. Translational Psychiatry.
- Vabalas A, et al. Machine learning algorithm validation with limited sample sizes. PLoS ONE.
- Lombardo MV, Lai MC, Baron-Cohen S. Big data approaches to autism research. Molecular Psychiatry.
- Arora S, et al. Digital phenotyping and machine learning in psychiatry. World Psychiatry.
- Di Martino A, et al. The Autism Brain Imaging Data Exchange (ABIDE): Towards large-scale evaluation of intrinsic brain architecture in autism. Molecular Psychiatry.
- Bellec P, et al. Neuroimaging biomarkers for ADHD using machine learning. NeuroImage: Clinical.
- Tamboer P, et al. Handwriting movements for identifying neurodevelopmental disorders using digital tablets.（デジタル筆記解析に関する研究）
- Oller DK, et al. Automated vocal analysis in autism spectrum disorder. Autism Research.
- Goodwin MS, et al. Wearable sensors and digital biomarkers in autism and ADHD research. npj Digital Medicine.
コメント