声は病気を教えてくれるのか？——音声バイオマーカーの現在地

本稿では、マイクで取得した声、発話、咳、呼吸のデジタル信号から計算され、特定の集団と測定条件において、健康状態やその変化との関係が検証される指標を「音声バイオマーカー」と呼びます。録音ファイルそのものや、AIが出した病名ラベルが、自動的にバイオマーカーになるわけではありません。

この領域では「voice」という言葉が広い意味で使われます。しかし、測っている信号は同じではありません。研究を読むときは、少なくとも次の四つを分ける必要があります。

• 声：持続母音などから、声の高さ、周期の揺らぎ、息漏れや雑音の程度を測る。
• 発話：声に加えて、構音、話速、間、抑揚、単語や文の構造を扱う。
• 咳：気道から急激に空気を出すときの、時間的・周波数的な特徴を扱う。
• 呼吸：吸気、呼気、呼吸周期や、気流に伴う音の特徴を扱う。

咳と呼吸は厳密には発話ではありません。これらをまとめて扱う場合は「健康音響」やhealth acousticsと呼ぶほうが正確です。NIHのBridge2AI Voiceも、音声を健康に関わる手がかりとして研究するため、複数施設で臨床情報と結び付いた多様なデータ基盤を整備しています。[1] これは研究資源であり、声だけで診断できることの証明ではありません。

音声バイオマーカーは病名ではなく、定められた条件で意味を検証する「測定値」です。

発話は、肺から送られた空気が喉頭で音源をつくり、舌、唇、顎などの動きによって形を変え、言葉になる過程です。そこには呼吸、声帯の振動、発話運動、聴覚による調整、注意、記憶、言語処理などが関わります。咳や呼吸音も、気流と気道の状態、出すときの力、姿勢などの影響を受けます。

そのため研究では、基本周波数、ケプストラムピーク、周期の揺らぎ、音のスペクトル、話す速さ、無音区間、構音の明瞭さなどを数値化します。人が聞き分けにくい小さな変化を、AIが組み合わせて捉えられる場合があります。

ただし、一つの音響特徴に一つの原因が対応するわけではありません。声のかすれは喉の状態だけでなく、疲労、脱水、話し方、録音距離にも左右されます。間が長くなった理由も、運動制御、言葉を考える時間、質問内容、通信の遅れなど複数考えられます。

パーキンソン病：持続母音と発声運動

パーキンソン病では、声量、声の安定性、構音や抑揚の変化が研究されています。2009年の研究は31人、そのうち23人がパーキンソン病というデータで、持続母音から計算した四つの指標を組み合わせ、91.4%の分類成績を報告しました。[2] これは発声障害を遠隔で測る可能性を示した重要な初期研究ですが、小規模な研究データ内で得られた値です。一般の人がスマートフォンへ話すだけで同じ精度の診断ができる、という結果ではありません。

うつ症状：一回の判定より、経時的な話し方

うつ症状に関する研究では、声の高さだけでなく、発話時間、間、速度などの変化が調べられています。105人の成人を4週間追った研究では、自動電話システムで開始時と終了時の発話を収集し、音響パターンの変化と、医療者および本人が評価した症状や治療反応との関連を検討しました。[3] ここで重要なのは「声からうつ病を確定した」のではなく、すでに診断された参加者の変化と音響変化の関係を調べた点です。

COPD：発話、母音、咳を比べる

2026年に報告された探索的研究では、COPDのある26人と、ない29人から、文章の読み上げ、母音、咳を収録しました。[4] 参加者単位の交差検証で、全体の最良モデルはROC-AUC 0.828でしたが、感度と特異度はいずれも80%未満でした。男性だけの解析では値が高くなった一方、女性参加者が少なく、著者らも一般化の限界を挙げています。音が評価の入口になる可能性と、肺機能検査などを置き換えるには証拠が足りないことを、同時に示す例です。

従来は、特定の疾患と特定の録音課題ごとにモデルをつくる研究が中心でした。近年は、大量の音から共通する音響表現を先に学び、個別の研究で再利用する基盤モデルも登場しています。

GoogleのHeARは、咳や呼吸などを含む約3億1,300万本の2秒音声クリップから自己教師あり学習を行い、音を512次元の埋め込み表現へ変換します。公式モデルカードでは、6つのデータセットにまたがる33の健康音響タスクで評価されています。[5]

ここでHeARが出力するのは、疾患名ではなく音響表現です。その上に、目的に合わせた分類器や回帰モデルを追加します。基盤モデルが優れていても、対象疾患のラベル、独立した評価データ、想定する利用環境での検証は別に必要です。モデルカードも、人口統計的な偏り、機器品質、2秒入力、現行モデルの大きさなどを制約として挙げています。[5]

Bridge2AI Voiceのように、複数施設で音声と臨床情報を標準化して集める取り組みは、この不足を埋めようとしています。[1] 大規模データは研究の土台を広げますが、データが大きいことと、特定の用途で臨床的に正しいことは同じではありません。

基盤モデルが短縮するのは特徴学習の距離です。臨床的妥当性までの距離ではありません。

音には、目的とする健康状態以外の情報も混ざります。年齢、身体的特徴、喫煙歴、服薬、疲労、母語、方言、読む文章、録音時刻、部屋の反響、雑音、マイク、圧縮方式、口から端末までの距離。患者群と対照群でこれらの条件が偏れば、モデルは疾患そのものではなく、その差を近道として学習できます。

22人の健康な話者をスタジオ用マイクと複数のスマートフォンで同時に録音した研究では、声の高さなど比較的安定した指標がある一方、ケプストラムピークには機器による系統的な偏りがあり、ジッターとシマーには問題となるランダム誤差が認められました。[6] 「スマートフォンで録れた」ことと「どの機種でも同じ値になる」ことは別です。

言語と発話課題も無視できません。台湾の中国語音声と韓国語音声を組み合わせたパーキンソン病研究では、言語をまたぐモデルの可能性が示された一方、短い発話を使う条件では性能が低下しました。[7] 多言語データを混ぜるだけでは十分ではなく、対象言語ごとに文章、長さ、音韻、参加者構成を確かめる必要があります。

評価時には、同じ人の複数録音を学習側とテスト側へ分散させず、参加者単位で分けることが最低条件です。可能なら施設、機器、時期も分けた外部検証を行います。そうしなければ、モデルが声に含まれる本人性や施設固有の雑音を覚えただけでも、高い成績が出ることがあります。

デジタル測定技術の評価には、verification、analytical validation、clinical validationを分けるV3という考え方があります。[8] 音声バイオマーカーに当てはめると、次のようになります。

• 検証：端末と録音ソフトが、意図した音を必要な品質で記録できるか。
• 分析的妥当性：アルゴリズムが、目的の音響指標を基準となる方法に照らして再現性よく計算できるか。
• 臨床的妥当性：定義した対象集団と利用場面で、その指標が意味のある状態や変化を適切に識別、測定、予測できるか。

研究用データでは患者と対照を同数に近づけることがあります。しかし、実際のスクリーニングで対象疾患が少なければ、感度と特異度が同じでも偽陽性の割合は増えます。ROC-AUCだけでは、利用者が受け取る結果の確かさや、不必要な受診と見逃しのバランスまでは分かりません。

さらに、スクリーニング、診断後のモニタリング、診療を補助する情報では、必要な性能と許容できる誤りが違います。用途、対象者、録音課題、機器、基準となる検査を先に定め、前向き研究、外部施設での再現、集団別の誤差、確率の較正、臨床判断へ与える影響まで検証する必要があります。

声は健康に関わる信号である前に、本人性を含む信号です。生の発話には、話した内容、声紋につながる特徴、周囲の人の声、生活環境の音が含まれます。言葉を含まない咳や呼吸でも、録音時刻、端末、場所の手がかりや、意図しなかった健康関連の推定が残る可能性があります。

声の匿名化は、名前を削除すれば終わる問題ではありません。VoicePrivacy Challengeでは、話者を識別しにくくする技術が、音声認識や自然さなどの有用性をどこまで保てるかを、複数の攻撃条件で評価しました。[9] 匿名化にもプライバシーと分析性能のトレードオフがあり、一度の加工で安全が保証されるわけではありません。

最小限のデータで設計する

• 収集目的と、推定してよい項目を先に限定する。
• 必要なら端末内で特徴量へ変換し、生の録音を保存しない。
• 録音時間、保存期間、アクセスできる人を最小限にする。
• 二次利用、モデル学習、第三者提供をそれぞれ説明し、選択できるようにする。
• 削除手段と、周囲の人の声を収集しない録音方法を用意する。
• 匿名化後も再識別や属性推定の可能性を継続的に評価する。

Lumoが重視するのは、声から疾患ラベルを断定することではありません。観測した音響変化、モデルが推定したこと、まだ分からないことを分ける。その人を集団平均との差だけで決めず、同意された範囲で本人自身の時間的な変化を見る。そして、気づきや医療者との対話を支える手がかりとして返すことです。

深く理解するために、より多く集める必要があるとは限りません。理解、保存、保護を別工程にせず、何を残さないかまでを測定設計に含める。音声バイオマーカーの未来は、病名を言い当てる競争だけでなく、測定の限界と声の持ち主をどれだけ丁寧に扱えるかで決まります。

声が教えてくれるのは、病名ではなく、確かめるべき変化の手がかりかもしれません。