A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

本論文は、糖尿病リスク予測における機械学習と説明可能 AI（XAI）の適用動向を分析し、現在の研究が構造化された医学的知識（ナレッジグラフ）と統合されていないという重大なギャップを指摘するとともに、臨床的解釈性を高めるための新たな概念フレームワークを提案している。

要約

🍳 1. 背景：AI は「天才シェフ」だが、レシピを隠している

現在、糖尿病（特に 2 型）は世界中で急増しています。これを防ぐために、AI が患者のデータ（BMI、血圧、生活習慣など）を見て、「あなたは糖尿病になる可能性が高いですよ」と予測するようになっています。

• 現状の AI（ブラックボックス）：
  今の AI は、まるで**「味見もせず、レシピも教えない天才シェフ」のようです。「この人は糖尿病になりやすい」と言いますが、「なぜ？」「どの材料（リスク要因）が効いたの？」**という理由を説明できません。
• 医師の悩み：
  患者さんに「なぜですか？」と聞かれたとき、医師は「AI がそう言ってるから」では説明できません。AI が「なぜそう判断したか」を説明する技術（XAI：説明可能な AI）が注目されています。

🔍 2. この研究がやったこと：「料理本」の図書館を調査

著者は、世界中の医学・工学の論文データベース（Scopus と PubMed）から、2,048 件の「糖尿病×AI×説明技術」に関する論文を集めました。まるで**「料理本が並ぶ巨大な図書館」**をすべてチェックしたようなものです。

📊 見つかった驚きの事実

1. 急成長中： 2020 年は 36 件しかなかった研究が、2025 年には 866 件に急増しました。AI への関心は爆発的に高まっています。
2. 人気の「調味料」： 研究で使われている説明技術は、**「SHAP（シャップ）」と「LIME（ライム）」**という 2 つが圧倒的に人気です。これらは「どの材料がどれだけ効いたか」を数値で教えてくれます。
3. 大きな「穴」が見つかった：
   ここが今回の最大の発見です。
   • 「AI の説明技術」に関する研究は906 件あります。
   • しかし、「知識グラフ（KG）」という技術に関する研究は、たった17 件（全体の 0.83%）しかありませんでした。
   • 比率は 53 対 1！

🗺️ 3. 「知識グラフ」とは何か？（地図とコンパスの話）

ここが少し難しい部分ですが、**「知識グラフ」を「病気の仕組みを描いた精密な地図」**と想像してください。

• 今の AI（SHAP/LIME）：
  「BMI が 34 なら、糖尿病リスクは +0.34 増えます」と言います。
  → **これは「何（What）」を教えてくれますが、「なぜ（Why）」**までは言いません。

  • 例：「塩分が多いと血圧が上がる」は言えるが、「なぜ塩分が血圧を上げるのか（血管の仕組みなど）」までは言えない。

• 知識グラフ（KG）：
  「肥満 → インスリン抵抗性 → 高血糖 → 糖尿病」という**「病気の道筋（ストーリー）」**を、医学的な知識としてつなげて持っています。
  → **これは「なぜ（Why）」と「どうして（How）」**を説明できます。

  • 例：「あなたの BMI が高いのは、インスリンが効きにくくなる『インスリン抵抗性』という状態を引き起こし、それが糖尿病につながります」と、医学的なストーリーで説明できる。

この論文が言いたいこと：
今の研究は、「天才シェフ（AI）」に「調味料の量（SHAP）」を教えることばかりに熱中していますが、「料理の仕組み（知識グラフ）」を教える研究がほぼ皆無なのです。

🧩 4. 提案された新しい枠組み：3 つの層

著者は、この「穴」を埋めるために、新しい**「3 段構えのフレームワーク」**を提案しています。

1. 第 1 層：予測（Predictive）
   • AI が「糖尿病になりやすい」と予測する。
2. 第 2 層：説明（Explainability）
   • SHAP などの技術で、「BMI が一番効いています」と統計的な理由を言う。
3. 第 3 層：知識（Knowledge） ← ここが新しい！
   • 「知識グラフ」を使って、「BMI が高い＝インスリンが効かない＝糖尿病」という医学的なストーリーを補足する。

イメージ：

• 今の AI： 「この患者は危険です。理由は BMI です。」（数字だけ）
• 新しい AI： 「この患者は危険です。理由は BMI です。なぜなら、肥満はインスリンの働きを弱め、それが血糖値を上げて糖尿病につながるからです。」（数字＋医学的なストーリー）

🌏 5. 見落としている地域と課題

• 地域格差： 研究の多くは中国、アメリカ、インドから来ています。糖尿病が急増しているアフリカや東南アジア、南米からの研究が圧倒的に少ないです。
• データの問題： 多くの研究が、1988 年に集められた古いデータ（PIMA データセット）を使っています。現代の多様な人々を反映した、最新の大きなデータでの検証が必要です。

💡 まとめ：この論文が伝えたいこと

この研究は、**「AI に『なぜそう判断したか』を説明させるには、単に数字を並べるだけでなく、医学的な『物語（知識）』を結びつける必要がある」**と警鐘を鳴らしています。

• 現状： AI は「何（What）」は言えるが、「なぜ（Why）」は言えない。
• 未来： 「知識グラフ」という**「病気の地図」**を AI に持たせることで、医師が患者に「あなたの体では、こうして糖尿病が進む可能性があります」と、納得感のある説明ができるようになるはずです。

これは、AI が単なる「計算機」から、医師の**「頼れるパートナー」**へと進化するための重要な一歩となる提案です。

技術概要

論文サマリー：糖尿病リスク予測における説明可能 AI (XAI) の文献計量レビュー

1. 研究の背景と課題 (Problem)

2 型糖尿病（T2DM）は世界的な公衆衛生上の重大な課題であり、早期発見とリスク予測が急務です。機械学習（ML）モデル（XGBoost やランダムフォレストなど）は高い予測精度を示しますが、「ブラックボックス」化しており、臨床現場での導入を阻む透明性の欠如という課題があります。
これを解決するため、SHAP や LIME などの「説明可能 AI (XAI)」が導入されています。しかし、現在の研究には以下の重大なギャップが存在します。

• 統計的説明の限界: 現在の XAI は「どの特徴量が重要か（What）」を統計的に示すにとどまり、臨床医が求める「なぜそのリスク因子が危険なのか（Why/How）」という病態生理学的な因果連鎖や構造化された医学知識（知識グラフ等）との統合が欠落している。
• 知識グラフ (KG) の不在: 糖尿病リスク予測において、ML と XAI を組み合わせた研究は急増しているが、構造化された医学知識を表現する「知識グラフ (KG)」や「グラフニューラルネットワーク (GNN)」を統合した研究は極めて少ない。

2. 研究方法 (Methodology)

本研究は、2 つの主要な学術データベース（Scopus と PubMed/MEDLINE）を対象とした体系的な文献計量レビューと、高引用論文の選択的レビューを組み合わせた手法を採用しています。

• データ収集:
  • 対象: Scopus と PubMed/MEDLINE から収集された 2,048 件の論文（重複除去後）。
  • 検索戦略: 「糖尿病」関連キーワードと「説明可能 AI (XAI)」関連キーワードの組み合わせ。糖尿病網膜症や足潰瘍など、画像診断や創傷治療に特化した分野は除外。
  • 期間: 2015 年〜2026 年（2026 年は 4 月までの不完全データ）。
• 分析手法:
  • 定量的分析: Python (pandas, matplotlib) を使用。出版年、国、ジャーナル、著者キーワードの頻度分析、ルールベースのトピッククラスタリングを実施。
  • 選択的レビュー: 高引用論文 15 件を深掘りし、定量的な傾向が内容に反映されているか、特に ML・XAI・KG の統合の有無を確認。
  • 比較: 既存のレビュー論文（6 件）との比較を行い、本研究の独自性を明確化。

3. 主要な貢献 (Key Contributions)

1. 大規模な二重データベース分析: 2,048 件の論文を対象に、XAI と T2DM リスク予測の分野を定量的に分析。
2. KG/GNN のギャップの定量化: 知識グラフ関連用語の出現頻度が XAI 関連用語の約 0.83%（17 件）に過ぎず、53.3:1 という圧倒的な格差を数値化。このギャップが単一のデータベースの偏りではなく、分野全体の構造的欠陥であることを実証。
3. 3 層概念フレームワークの提案: 現在の統計的説明の限界を克服するための新しい統合フレームワーク「Predictive → Explainability → Knowledge」を提案。
4. 臨床的解釈性の欠如の指摘: 統計的な相関関係ではなく、構造化された臨床パス（病態生理）に基づいた意思決定支援システムの必要性を浮き彫りにした。

4. 主要な結果 (Results)

出版動向と地理的分布

• 急成長: 2020 年（36 件）から 2025 年（866 件）にかけて、5 年間で 24 倍以上に急増。SHAP (2017) と LIME (2016) の登場が成長の転換点。
• 地理的偏り: 中国（2,287 件）、米国（793 件）、インド（578 件）がトップ。東南アジアやアフリカなど、糖尿病負担が大きい地域からの研究貢献が著しく不足している。
• 主要ジャーナル: PLOS ONE、Scientific Reports、Frontiers in Endocrinology などが主要な発表の場。

手法とキーワードの分析

• 支配的な手法:
  • ML モデル: XGBoost とランダムフォレストが主流。
  • XAI 手法: SHAP が圧倒的に多く（152 件）、LIME や特徴量重要度が続く。
• KG/GNN の極端な不足:
  • XAI 関連キーワードの出現回数：906 回
  • KG/GNN 関連キーワードの出現回数：17 回（全体の 0.83%）
  • 選択的レビューした高引用論文 15 件中、KG/GNN を使用した論文は0 件だった。

選択的レビューの知見

• 高引用論文の多くは、PIMA インディアン糖尿病データセット（1988 年収集、768 例）などの小規模なデータに依存しており、大規模な集団健康調査データ（BRFSS など）を用いた検証が不足している。
• どの論文も ML と XAI の組み合わせに留まり、医学知識グラフを統合した「因果的・構造的な説明」を提供するものは存在しなかった。

5. 提案されたフレームワークと意義 (Significance)

3 層概念フレームワークの提案

本研究は、臨床的解釈性を高めるための以下の 3 層構造を提案しています（図 1 参照）：

1. 予測層 (Predictive Layer): XGBoost やランダムフォレストを用いて、大規模健康データから T2DM リスクを予測。
2. 説明層 (Explainability Layer): SHAP 等を用いて、各特徴量（BMI, 血圧など）が予測にどの程度寄与したかを統計的に説明（「What」の回答）。
3. 知識層 (Knowledge Layer): （本研究の核心） 知識グラフ (KG) を用いて、医学的オントロジー（ICD-10, UMLS など）に基づき、リスク因子と病態生理の因果連鎖（例：肥満→インスリン抵抗性→高血糖→T2DM）を構造的に表現。これにより、統計的スコアを臨床医が理解できる「なぜ・どのように」という文脈（Why/How）に変換する。

意義と今後の展望

• 臨床意思決定支援 (CDSS) への応用: 単なるリスクスコア提示から、病態生理に基づいた構造化された説明を提供することで、臨床医の認知負荷を軽減し、意思決定を支援する。
• 公衆衛生への貢献: 大規模な集団スクリーニングにおいて、アルゴリズムの透明性と公平性を担保し、医療格差の是正に寄与する。
• 研究の方向性: 今後の研究は、単なる精度向上だけでなく、構造化された医学知識との統合、異なる XAI 手法間の一致度評価、多様な人口集団での検証が不可欠である。

結論:
糖尿病リスク予測における XAI は急速に成長しているが、統計的説明から臨床的推論への橋渡しとなる「知識グラフ」の統合が著しく不足している。本研究は、この構造的なギャップを定量的に実証し、ML、XAI、KG を統合した新しい研究パラダイムを提案することで、医療 AI の実用化と臨床的有用性を高める道筋を示した。