眼球運動が心の状態を映す——深層学習で改善するうつ病と自殺念慮の診断

眼球運動の細かなパターンを深層学習で分析すると、うつ病と自殺念慮を客観的に見分けられる可能性が見えてきた。これまで問診票や臨床面接に頼ってきた精神疾患の診断に、生物マーカーという新しい道を切り開く研究だ。

背景

うつ病と自殺念慮は世界規模での健康課題ですが、診断方法はいまだに患者の自己報告と臨床医の面接に大きく頼っています。医師の経験や力量によって判断が揺らぎ、実施者による一貫性の欠如も問題になっているわけです。

興味深いことに、眼球運動は感情処理と注意のパターンを反映する客観的な指標になり得ると注目されています。無意識に起こる眼球運動は、患者が「良く思われたい」というバイアスに左右されにくいという大きな利点がある。そこで研究チームは、深層学習でこの可能性を本格的に検証しようと動きました。

主な発見

126名の若年成人を集めて、読字課題と感情的に負荷がある文章への反応を調べながら眼球運動を記録した。深層学習を使って、試行ごと、試行内での眼球運動のばらつきまで細かく分析しています。

結果は以下の通り：

• うつ病または自殺念慮がある人と健常者の識別精度：AUC 0.793（95% CI: 0.766–0.819）
• 自殺念慮の識別精度（より高い精度）：AUC 0.826（95% CI: 0.798–0.853）
• うつ病患者と自殺念慮患者の区別：AUC 0.609（95% CI: 0.569–0.646）

注目すべきは、特に反応を生成するときと負価的な刺激を処理するときに、際立った眼球運動パターンが現れることです。

臨床的意義

眼球運動が客観的で測定可能なバイオマーカーになり得る可能性が示されました。従来は自己報告に依存してきた精神保健診断の弱点を補える可能性が高い。

眼球トラッキング技術はすでに臨床現場で使われており、スクリーニングツールや治療効果の判定基準として応用できる余地がある。とくに自殺念慮の識別精度が良好な点は、自殺予防の実践的な価値として期待できるでしょう。

限界と今後の課題

ただし、この研究にも課題があります。横断的研究という性質上、因果関係は証明できません。加えてサンプルサイズが126名と限定的です。

うつ病患者と自殺念慮患者を区別する精度（AUC 0.609）は判別能としては不十分で、より多くの検証が必要です。年齢層や文化的背景の異なる集団での追試や、前向き研究による予測精度の確認も欠かせません。

Original paper: Deep learning characterizes depression and suicidal ideation in young adults from eye movements. — NPJ digital medicine. 10.1038/s41746-026-02550-4

🎧 ポッドキャストを聴く