アルツハイマー病は世界中で5,500万人以上に影響を与える深刻な神経変性疾患であり、早期かつ正確な診断は医療現場における重要な課題となっています。本研究は、機械学習を活用して通常の臨床検査から正常認知機能（NC）、軽度認知障害（MCI）、アルツハイマー病（AD）を自動的に識別するシステムの開発を報告しています。 研究チームはアルツハイマー病ニューロイメージング・イニシアティブ（ADNI）データセットから収集された1,641人のベースライン被験者（NC 608人、MCI 767人、AD 266人）のデータを用いて、XGBoost分類器を開発しました。モデルは8つの臨床的特徴量を活用しており、具体的には認知機能スクリーニング検査（MMSE、MoCA）、臨床認知評価（CDR Global、CDR-SB）、日常生活機能評価（FAQ）、さらに患者の年齢、性別、教育歴が含まれています。Optunaを用いた50試行のハイパーパラメータ最適化とSMOTE（合成少数派オーバーサンプリング手法）によるクラス不均衡対策が施されました。 モデルの性能は極めて優秀で、5分割交差検証での平均マクロAUC は0.983（標準偏差0.007）、精度は0.944（標準偏差0.006）に達しました。保留テストセット（n=247）での評価では、マクロAUC が0.982（95%信頼区間：0.965～0.995）、精度0.943、バランス精度0.932、マクロF1値0.927、コーエンのカッパ0.909という高い性能指標が得られました。 本研究の特筆すべき点は、SHAP値を用いた説明可能性の分析です。これにより、NC とMCI の判別には CDR Global が支配的な予測因子であり、AD の判別には CDR-SB と MMSE が共に重要な役割を果たしていることが明らかになりました。このクラス別の特徴量の重要度パターンは臨床的に妥当性があり、医師の直感的理解と一致しています。今後の展開として、音声生体マーカーを組み込むことでマルチモーダル検出への拡張が予定されており、より包括的なアルツハイマー病検出システムの実現が期待されています。