技術要約：非侵襲的な坐骨神経痛診断のためのスマート・インソールを用いた説明可能なAIフレームワーク

問題提起

坐骨神経痛は、坐骨神経に沿った放散痛、しびれ、感覚麻痺を特徴とする神経障害であり、下肢のバイオメカニクス、特に歩行の非対称性や足底圧分布の異常を引き起こします。現在の診断法はMRIなどの神経画像診断に大きく依存していますが、これらはコストが高く、動的な荷重歩行の異常を捉えることができません。また、筋電図（EMG）や慣性計測装置（IMU）は、複雑なハードウェア構成を必要とし、患者に不快感を与える可能性があります。ウェアラブルな足底圧インソールはポータブルな代替手段となりますが、既存のソリューションは高密度のセンサーアレイを使用していることが多く、冗長なデータ生成、ハードウェアコストの増加、および計算処理の複雑化を招いています。高密度の配列に頼ることなく、最適に選択されたセンサー構成を通じて坐骨神経痛を特定できる、自動化された低コストのウェアラブル診断ツールの不足が課題となっています。

方法論

本研究は、坐骨神経痛を非侵襲的に診断するために、スマートインソールと説明可能なAI（XAI）のアプローチを統合したフレームワークを提案しています。

データ収集

• 被験者: 37名の被験者からなるデータセット（坐骨神経痛患者20名、健常対照群17名）を収集しました。
• ハードウェア: 片足あたり8個、計16個の力センサー（FSR）を備えたカスタムスマートインソールを使用しました。クロスバリデーションのために、同時進行でEMGおよびIMUデータも記録されました。
• 倫理: 本研究は、K.A.P. Viswanatham 政府医科大学（IEC承認番号：KEC/10/01/2026）より倫理的承認を得ています。

特徴量エンジニアリング

• 前処理: 生の時系列力データは、欠損値の処理および信号の正規化のために前処理されました。
• 特徴量抽出: 16チャンネルの力データから、被験者ごとに601個のバイオメカニクス的特徴を抽出しました。これには以下が含まれます：
  • 片脚特徴量: 各センサーごとの13の統計指標（中心傾向、分散、分布、大きさ、時間的特性）。
  • 両脚非対称性: 片側の痛みによる体重移動を考慮するため、左右のセンサーペア間の差、絶対差、および相対差を捉える特徴量。
  • グローバル特徴量: 足全体における空間的な平均値。

センサー選択戦略

ハードウェアの複雑さを軽減するため、著者らは最適なセンサーのサブセットを特定するための二重の手法を採用しました。

1. K-分割組合せ探索: 様々なセンサーの組み合わせを評価するために、K-分割交差検証戦略（K=2からK=8までテスト）を用いました。研究の結果、K=5が最も安定した性能を提供することが判明しました。
2. 統計的特徴量ランキング: T検定、マン・ホイットニーのU検定、コーエンのd（効果量）、およびランダムフォレストの置換重要度を用いた独立した検証法を使用して、特徴量の順位付けを行いました。

• 収束: 両方の手法は、独立して同じ最適なセンサー構成を特定しました：左足は L2, L5, L8、右足は R2, R5, R8 です。これにより、センサー数を16個から6個へと削減（62.5%削減）しました。

分類および説明可能性

• モデルアーキテクチャ: 選択された6つのセンサーのデータを用いて、被験者を「坐骨神経痛」または「健常」に分類する一次元畳み込みニューラルネットワーク（1D-CNN）を開発しました。
• XAIの統合: 説明可能なAI技術を適用して足底ヒートマップを生成し、分類決定に最も寄与する空間領域を可視化することで、モデルが「ブラックボックス」にならないようにしました。
• クロスバリデーション: 力センサーモデルを、同時取得したEMG/IMUモダリティと比較し、診断の一致性を評価するためにクロスバリデーションを行いました。

主な結果

センサーの最適化

• 16個から6個への削減により、診断に関連する情報が保持されました。
• 左足 (L2, L5, L8): 正解率 96%、適合率 96%、再現率 93%、F1スコア 94%、AUC 0.93を達成しました。
• 右足 (R2, R5, R8): 正解率 87%、適合率 83%、再現率 76%、F1スコア 79%、AUC 0.91を達成しました。
• 最適なセンサー（踵、中足部、前足部の領域）は、坐骨神経および脛骨神経の支配に関連する解剖学的制約と一致しています。

分類性能

• 6つの最適化されたセンサーで学習された 1D-CNN モデルは、以下の性能を達成しました：
  • 正解率 (Accuracy): 85.2%
  • 感度 (Sensitivity): 89.9%
  • 特異度 (Specificity): 90.3%
  • ROC-AUC: 0.911
• 比較分析により、1D-CNNは、過学習や低いAUCスコアに苦しんだXGBoost、ランダムフォレスト、SVM、LSTM、ARIMAを含む他のモデルよりも優れた性能を示しました。

検証およびXAI

• クロスモダリティの一致: 力センサーモデルは、EMG/IMUモデルと 81.48%の一致 を示し、削減されたセンサーセットが、より複雑な神経筋セットと同じ臨床診断を捉えていることを確認しました。
• XAIヒートマップ: 生成されたヒートマップは、モデルが特定の解剖学的領域（左足の L2, L5, L8 および右足の R2, R5, R8）を優先していることを確認し、意思決定プロセスの生物学的解釈可能性を検証しました。

重要性と主張

本論文は、このフレームワークが坐骨神経痛のスクリーニングのための低コスト、ポータブル、かつ解釈可能なソリューションを提供すると主張しています。特定の6つのセンサーのみが坐骨神経痛の病理的な歩行サインを捉えるために必要であることを特定することで、本研究は以下を実証しました：

1. ハードウェアの効率性: センサー数を62.5%大幅に削減しても、診断精度が損なわれないこと。
2. 臨床的有用性: 本システムは、MRIの高コストや静的な制限、あるいは複雑なEMGセットアップによる不快感を回避する、自動化された意思決定支援ツールを提供すること。
3. 透明性: XAIの統合により、モデルの焦点が既知の解剖学的病理と一致していることが保証され、診断プロセスが透明であること。

著者らは限界についても述べており、具体的には、本モデルは坐骨神経痛と健常者を区別するものの、両側性の非対称性を引き起こす可能性のある他の局所的な筋骨格系疾患（例：膝変形性関節症や足関節外傷）に対してはまだ検証されていません。今後の課題は、これらの疾患を組み込むことで、鑑別診断能力を精緻化することです。