はじめに

緑内障は、視神経を損傷し、不可逆的な失明につながる可能性のある眼疾患群です。「視覚の沈黙の泥棒」とよく呼ばれる緑内障は、世界中で数百万人に影響を与えています。実際、2040年までに推定1億1180万人が緑内障を患うとされています (medicalxpress.com)。視力喪失は完全に回復できないため、早期発見と治療が重要です。ここに**人工知能（AI）**が進出しつつあります。AIは眼の画像や検査データを分析することで、緑内障のスクリーニング、診断、モニタリングをより効率的に支援できます。この記事では、緑内障ケアにおけるAIの現在の応用方法（実世界のツールや研究を引用しながら）、そして特に視力回復研究における新たな機会を探ります。私たちは実証済みの結果（例：AIツールの感度と特異度）と具体的な将来の応用例に焦点を当て、患者と研究者の両方に実践的なガイダンスを提供します。

現在の緑内障スクリーニングと診断におけるAI

スマートフォンと眼底画像解析

今日のAIの主要な用途の1つは、緑内障をスクリーニングするために眼底写真（網膜の画像）を自動分析することです。研究チームは、ポータブル眼底カメラやスマートフォン用アタッチメントとAI分類器を組み合わせて、緑内障性視神経乳頭を検出しています。例えば、インドで行われた最近の前向き研究では、スマートフォン眼底カメラ（RemidioのFOP NM-10デバイスに搭載されたMedios AI-Glaucoma）に組み込まれたオフラインAIモデルがテストされました。このシステムは、完全な臨床検査と比較して、紹介が必要な患者（「紹介対象緑内障」）を約94%の感度と86%の特異度で検出しました (pmc.ncbi.nlm.nih.gov)。数値で見ると、AIは真の緑内障症例の93.7%を正確に特定し、非緑内障症例の85.6%を正確に除外しました (pmc.ncbi.nlm.nih.gov)。このような高い精度は、スマートフォンベースのAIスクリーニングが、視神経乳頭に緑内障性変化のある患者を確実に発見できることを示しています。

別の研究では、同様のAIカメラ設定が緑内障のあらゆる重症度で使用されました。その結果、AIは緑内障または疑い症例の検出において91.4%の感度と94.1%の特異度を達成しました (pmc.ncbi.nlm.nih.gov)。非常に早期の疾患（感度約87%）ではわずかに性能が低く、進行症例（感度96%）では最も高くなりました (pmc.ncbi.nlm.nih.gov)。これらの結果は外来診療から得られたものであり、AIツールが専門医の検査と同等に疑わしい目を指摘できることを示しています。また、AIは軽度または疑い症例を指摘することで、しばしば慎重な側に傾くことも強調されています。ある研究では、ほとんどの偽陽性が専門医によって「視神経乳頭疑い」と分類された目でした (pmc.ncbi.nlm.nih.gov)。この保守的なアプローチは、追加の紹介を伴う費用を犠牲にして、真の疾患を見逃すことを避けるのに役立ちます。

商業グループや研究グループはすでにこのようなシステムを開発しています。例えば、Medios AI-Glaucomaシステム（Remidio、インド/シンガポール）はスマートフォン眼底カメラに統合されており、上記の結果を示しています (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。他のAIプラットフォーム（例：BegIA）は、スマートフォン画像を使用して視神経乳頭陥凹拡大を推定したり、顔画像を分析して目の異常を検出したりしています (glaucoma.org)。ある臨床評価では、スマートフォンアプリが緑内障検出において曲線下面積（AUC）0.966を報告し、95.4%の感度と87.3%の特異度を示しました (glaucoma.org)。

遠隔医療と遠隔スクリーニング

AI対応アプリは、緑内障の遠隔医療でも使用されています。例えば、iPredictクラウドプラットフォームは、アップロードされた眼底画像に対してAIを実行します。実世界での試験において、この遠隔医療ツールは網膜写真から緑内障の疑いのある患者を特定する際に約89.7%の精度（感度83.3%、特異度93.9%）を達成しました (pmc.ncbi.nlm.nih.gov)。AIは、垂直乳頭陥凹比を測定することで視神経乳頭を「緑内障疑い」と「正常」に分類し、専門家による評価と93.9%一致しました (pmc.ncbi.nlm.nih.gov)。このシステムは、あるテストセットにおいて、対面評価とAI処理された遠隔評価の間で100%の一致を示しました (pmc.ncbi.nlm.nih.gov)。これは、地方の診療所の患者がAIを介してリアルタイムのスクリーニング結果を得ることができ、必要に応じて直ちに紹介のアドバイスを受けられることを意味します。このようなプラットフォームは、特に医療サービスが十分に行き届いていない地域で、スクリーニングをより利用しやすく、一貫性のあるものにします (glaucoma.org) (pmc.ncbi.nlm.nih.gov)。

OCT、視野、およびデータ統合

写真以外にも、AIは他の緑内障検査にも応用されています。ディープラーニングモデルは、光干渉断層計（OCT）スキャンをセグメント化して、網膜神経線維層（RNFL）の厚さや視神経乳頭の特徴を測定できます。また、視野（VF）検査を分析して微妙な進行を捉えることも可能です。例えば、畳み込みニューラルネットワークは、VFマップ上の緑内障パターンを区別するように訓練されています。他のAIツールは、眼圧測定値、OCT、VF、患者の病歴など、複数のデータソースを組み合わせて緑内障リスクスコアを計算します。これらの多くは開発中または初期段階の試験中ですが、疾患が悪化し、より綿密なケアが必要となる患者を特定することで、臨床医を支援する可能性を秘めています。あるレビューでは、過去のVFシリーズから学習することで、数年先の将来のVF喪失を予測することに成功したDLシステムが報告されています (pmc.ncbi.nlm.nih.gov)。これらの最先端の手法は、これまでのところ遡及データでテストされており、AIによる疾患進行予測の実現可能性を示していますが、まだ日常的な診療にはなっていません。

診療における測定可能な影響と性能

いくつかの研究が、臨床現場に近い環境でのAIツールの具体的な性能を実証しています。前述の通り、スマートフォン眼底AIは、大規模な患者コホートにおいて約91〜94%の感度と約86〜94%の特異度を達成しました (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。遠隔医療AIプロジェクトは、約89.7%の全体的な精度を報告しました (pmc.ncbi.nlm.nih.gov)。これらは驚くべき数字であり、研究環境においてAIはスクリーニングの選別においてすでに訓練された眼科医と同等です。重要なことに、一部の偽陰性は軽度の早期緑内障に過ぎず、偽陽性は明確な正常ではなく「視神経乳頭疑い」である傾向がありました (pmc.ncbi.nlm.nih.gov)。

同様に重要なのは導入です。MediosやiPredictモデルのようなシステムは、インドの一部やその他の地域で集団スクリーニングのために導入が進められています。詳細な導入データはまだ出てきていますが、初期の報告（例えばRemidioのアウトリーチプログラム）は、数百の診療所がAI駆動型カメラユニットを使用していることを示唆しています。AIは病院のワークステーションにも進出しており、いくつかのOCTデバイスメーカーは、RNFLの薄化を指摘したりRNFLの喪失を予測したりするために、AIセグメンテーションおよび分析機能を統合しています。学術界では、多くの診療所が既存データに対してAIモデルを試用し、診断を改善しています。

とはいえ、欧米の臨床診療における導入は、規制当局の承認とワークフローへの統合によってまだ限定されています。緑内障スクリーニングに関して、FDA承認のAIはまだ標準ではありません（IDxのようなAIシステムが存在する糖尿病網膜症とは異なります）。しかし、有望な実地試験と査読済みの検証は、急速な進展を示唆しています。緑内障スクリーニングにおけるAIは、明確な公衆衛生上の利益（視力喪失前に疾患を発見すること）があるため、今後数年でこれらのツールの一部が規制当局の承認を求めることが期待されます。

新たなAIアプリケーション：次に来るもの

予測分析と個別化医療

緑内障における次なるAIの波は、予測と個別化に焦点を当てるでしょう。機械学習モデルは、臨床データ、画像データ、遺伝子データを組み合わせて、個人の視力喪失リスクや、高眼圧症から緑内障への移行リスクを予測できます (pmc.ncbi.nlm.nih.gov)。例えば、患者の記録で訓練されたニューラルネットワークは、誰が最も進行しやすいかを特定すると言われています。今後数年間で、このようなシステムは医師が治療の積極性を調整するのに役立つ可能性があります。眼圧、角膜の厚さ、民族性、家族歴などを考慮して「失明までの時間」を推定するAIスコアを想像してみてください。これは治療の優先順位付けに役立ちます。現在、大規模なデータセット（バイオバンクや眼科病院から）が存在するため、AIは単純なリスク要因を超えた複雑なパターンを学習できます。

緑内障モニタリングと在宅検査

AIはモニタリングも変革する可能性があります。ウェアラブル眼圧（IOP）センサーやスマートコンタクトレンズが開発中であり、AIはそれらの連続データを分析して、危険な眼圧上昇を患者に警告することができます。同様に、スマートフォンベースの視野アプリも改善されています（例えば、電話に視野計チャートを投影するアプリ）。AIと組み合わせることで、これらは自宅での緑内障検査になる可能性があります。患者はいつか、診療所を訪れる代わりに、AIを使用するアプリで新しい変化を検出し、医師に知らせることで、自宅で迅速な眼科検査を自己実施できるようになるかもしれません。自宅眼圧測定器や視力検査の初期プロトタイプは存在しますが、AI駆動型分析は、信頼性を確保し、実際の悪化を指摘することで、それらを臨床的に有用なものにするでしょう。

手術計画と予後予測

外科的介入（線維柱帯切除術、シャント手術、MIGS）もまた新たな領域です。AIは、数千件の過去の症例を分析することで、どの患者がどの手術に最もよく反応するかを予測するのに役立つ可能性があります。例えば、機械学習ツールは、画像にXパターンがあり、Y遺伝子を持つ患者はドレナージインプラントで良好な結果を出す一方で、他の患者はレーザー線維柱帯形成術でより良い結果を出すことを学習するかもしれません。このような意思決定支援ツールは多くの分野で研究されており、緑内障手術も同様に恩恵を受ける可能性があります。さらに、将来的にAIがロボット眼科手術をガイドする可能性もありますが、これはより長期的な話です。

視力回復と再生 – 未開拓の機会

最もエキサイティングなフロンティアの1つは、緑内障による損傷後の視力回復です。現在、視神経を再生したり、失われた網膜神経節細胞（RGCs）を置き換えたりする治療法はありません。しかし、研究者たちは神経保護、遺伝子治療、幹細胞移植、および人工装具について精力的に研究しています。AIはこれらの分野に影響を与え始めたばかりですが、その機会は現実のものです。

• AI支援による創薬: 顕著な例は、2024年の研究で、AIスクリーナーが緑内障様ストレス下でRGCを保護する低分子を特定したことです。研究者たちは、大規模言語モデルとグラフニューラルネットワークを用いて、RIPK3（細胞死キナーゼ）の候補阻害剤を予測しました。実験室での試験の結果、ある化合物（HG9-91-01）が急性緑内障モデルにおいてRGC構造を保持することが発見されました (pmc.ncbi.nlm.nih.gov)。実際、この研究でAIが推奨した5つの分子すべてが低酸素ストレス下でのRGC生存を助け、HG9-91-01が最高の保護効果を示しました。このAIを活用した神経保護薬の創薬は、計算手法が緑内障治療の前臨床開発をいかに加速できるかを示しています (pmc.ncbi.nlm.nih.gov)。（ある一般科学レポートでは、これをAIが「潜在的な緑内障薬候補の発見を支援する」と説明しています (medicalxpress.com)。）

• 神経補綴設計: すでに視力を失った患者にとって、網膜インプラントや視神経インプラントのような技術は、ある程度の視力を取り戻す方法を提供するかもしれません。このようなデバイスの設計は非常に複雑です。ここでもAIとモデリングが役割を果たします。例えば、2024年の論文では、「視神経刺激」補綴を評価するために、視神経と視覚脳の詳細な計算モデルが開発されました。チームは機械学習によってシミュレートされた画像を使用して、視神経上の電極アレイがどのように広視野視覚を回復させるかをテストしました (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。彼らの発見は、視神経インプラントが現在の網膜補綴よりも広範な視野を生み出す可能性を示唆しており、重要なことに、電極配置と刺激戦略を最適化するためのモデリングフレームワークを提供しました (pmc.ncbi.nlm.nih.gov) (pmc.ncbi.nlm.nih.gov)。この種の研究は、in silicoツールとAI駆動型画像処理が、次世代の視力回復インプラントをどのように導くことができるかを示しています。

• 将来の遺伝子/細胞治療: ミュラー細胞をRGCに再プログラム化したり、RGCを移植したり、遺伝子編集を用いて成長を再活性化したりするような再生アプローチは、集中的な基礎研究が行われています。AIは、大規模な遺伝子および分子データセットを分析することで、これらの研究を最終的に加速させる可能性があります。例えば、2024年のDevelopment論文では、RGC再生を制御する遺伝子を発見するために大規模なCRISPRスクリーニングが実施されました【65†】。機械学習手法は、これらの複雑な結果を解析し、ターゲットを優先順位付けするのに役立つ可能性があります。さらに、AI駆動型タンパク質設計（例：AlphaFoldや生成モデル）は、再生のための新規治療用タンパク質や遺伝子構造を生み出すかもしれません。このようなAIアプリケーションはまだ緑内障で報告されていませんが、ゲノミクスと幹細胞治療の分野はAIにとって熟しています。計算ツールは、どの遺伝子組み合わせが軸索の再生を促進するかを予測したり、より安全な遺伝子送達のためのウイルスベクターを最適化したりする可能性があります。

現在、RGC再生研究におけるAIの統合は限定的ですが、これは価値の高い機会を表しています。再生治療（ナノ粒子、幹細胞、光遺伝学）が進歩するにつれて、AIはその設計と送達の最適化を支援できるでしょう。例えば、コンピューターシミュレーションは、新しいRGCが脳とどのように接続するか、あるいは薬物放出コンタクトレンズが眼圧にどのように反応するかをモデル化する可能性があります。要するに、AIは視神経を修復するためのまさにその戦略に情報を提供できる可能性があります。これはまだ臨床的に達成されていない目標です。「視力回復」に関心のある研究者は、これらの未開拓の可能性を探るために、AI専門家と神経生物学者の間のコラボレーションを検討すべきです。

現実的なタイムライン

現実的であることも重要です。スクリーニングと診断のためのAIツールはすでに存在しており、いくつかの高性能モデルがあり、臨床使用に向けて進んでいます。成功した試験を考えると、今後数年以内にAI緑内障スクリーニングツールのFDA承認が見られるかもしれません。遠隔医療アプリも実用化に近づいています。しかし、視力回復治療（真の神経再生）は、臨床現実から数年または数十年かかる可能性があります。AIは科学を加速させますが、RGC再生のような治療法は生物学的ハードルに直面しています。その間、AIの実用的な成果は、主に早期発見とよりスマートな管理にもたらされるでしょう。

結論

AIは、より迅速で安価なスクリーニングとより正確な診断を可能にすることで、今日の緑内障ケアをすでに改善しています。数多くの研究が高い精度を確認しています。例えば、スマートフォン眼底AIは約94%の感度/86%の特異度を達成し (pmc.ncbi.nlm.nih.gov)、遠隔医療プラットフォームは約89.7%の全体的な精度に達しました (pmc.ncbi.nlm.nih.gov)。これらのツールは患者をトリアージし、見逃し症例を減らすことができます。患者にとって、これはまもなく専門医の診療所以外でも、さらには携帯電話でも緑内障の検査を受けられるようになることを意味します。AIによる早期発見は、タイムリーな治療によって視力を救うことができます。

今後を見据えると、AIの最大のインパクトは、まだ使用されていない分野にあるかもしれません。フロンティアは、損傷後の視力を保護し、回復させることにあります。AI駆動型創薬（RIPK3阻害剤など）やインプラントの計算モデリングがその道を示しています。価値の高い研究方向には、AIをゲノミクス、画像診断、組織工学と組み合わせて神経再生の問題を解決することが含まれます。

要約すると、AIは今後数年以内に緑内障のスクリーニングと管理において、かなりの実践的な利益をもたらすことが期待されています。科学者にとって、大きな機会はAIと生物学の交差点にあります。計算モデルと大規模データを使用して、神経保護と再生におけるブレークスルーを推進することです。テクノロジーと医療が融合するにつれて、患者と研究者の両方が情報を得るべきです。エビデンスに基づいたAIツールが登場しつつあり、これらは従来の緑内障ケアを補完しますが、完全に置き換えるものではありません。徹底した検証と臨床診療への思慮深い統合により、AIの約束がより良い結果と視力回復につながることが保証されます。