「人は、いつ亡くなったのか」
ドラマや小説では、法医学者が短いひと言で答えを出してくれることがあります。
けれど、現実の現場では、その答えにたどり着くまでがとても難しい。
体温は周囲の温度に引っ張られますし、目の中のカリウム濃度も、頼りになるのは最初の1日から数日ほどに限られます。
では、それを過ぎた時間は、どこに残るのでしょうか。
今回ご紹介する論文は、その手がかりを「血液の中に残る小さな化学物質の変化」に求めました。
しかも、その変化を人の勘だけでなく、AIに読ませたのです。
すると、死後経過時間、つまり「亡くなってからどれくらい経ったか」を、平均で約1.45日という誤差で予測できたと報告されています。
これは、法医学、死亡推定時刻、死後経過時間の研究にとって、かなり大きな前進です。
この記事では、この研究が何をしたのか、なぜ注目されるのか、そしてどこに希望と課題があるのかを、できるだけやさしく紐解いていきます。
なぜ「死後経過時間」の推定はそんなに難しいのか
法医学でいう「死後経過時間」は、英語でPMI（Post-Mortem Interval）と呼ばれます。
簡単に言えば「死亡してから今までの経過時間」です。
事件や事故の経緯をたどるうえで、この情報はとても重要です。
とくに捜査では、誰がいつどこにいたかを絞り込む土台になります。
ところが、従来の方法には限界があります。
体温を使う方法は、遺体が周囲の温度に近づくまでしか強く働きません。
目の中の液体に含まれるカリウム濃度も、初期には有用ですが、時間が経つほど不確かさが増していきます。
つまり、最初の数日を過ぎると、精度のよい推定がぐっと難しくなるのです。
この研究が面白いのは、そこに別の窓を開いたことです。
身体は死後、静かに止まるわけではありません。
細胞膜は壊れ、エネルギー代謝は崩れ、たんぱく質も少しずつ分解されていきます。
いわば、街の電気が落ちたあと、工場や倉庫の中で何がどの順番で止まり、何がこぼれ、何が積み上がっていくかを見ているようなものです。
その「化学の足跡」を読めば、時間の流れを逆算できるかもしれない。
研究者たちはそう考えました。
カギは「メタボローム」。血液の中の小さな足跡を読む
ここで出てくるのがメタボロームです。
少し難しく聞こえますが、意味はそれほど怖くありません。
これは、体の中にある低分子の化学物質の全体像のこと。
アミノ酸、脂質、エネルギー代謝に関わる分子など、生命活動の結果として現れる「小さな部品」の集まりだと考えるとイメージしやすいでしょう。
もし遺体をひとつの時計にたとえるなら、従来法は針の動きを見る方法でした。
一方、メタボロミクスは、時計の中の歯車や油の状態を見て、どれくらい前に止まったのかを推測する方法に近い。
表面ではなく、内部の変化を見る発想です。
この論文では、法医解剖で得られた大腿部の全血を使い、もともとは毒物スクリーニングのために測定されていた高分解能質量分析データを再活用しました。
つまり、追加で特別な採取や高価な専用測定を大量に行ったのではなく、日常の法中毒学ワークフローから得られるデータを生かしたところにも、実務的な強みがあります。
4,876件の実例をAIに学ばせたら、何が起きたのか
研究チームが使ったのは、4,876件という非常に大きな法医学データセットです。
死後経過時間は1日から67日の範囲にわたり、ただし症例の97％は1日から13日に集中していました。
ここから2,305個の代謝関連特徴を扱い、ニューラルネットワークで予測モデルを作っています。
ニューラルネットワークとは、たくさんの情報のつながりから複雑なパターンを学ぶ仕組みです。
人が表にして見比べるだけでは気づきにくい非線形の関係、つまり「まっすぐではない変化」を見つけるのが得意です。
本研究では複数の設計を比べたうえで、最もよいモデルを選びました。
その結果、未使用のテストデータに対して、平均絶対誤差は1.45日、中央値は1.03日でした。
ここは大事な点ですが、これは「いつでも1日ぴったりで当たる」という意味ではありません。
あくまで全体として見た平均的な誤差です。
それでも、死後経過時間の推定が難しい現場を考えると、かなり実用的な数字に近づいています。
さらに心強いのは、別の年に集められ、しかも別の質量分析装置で測定された512件の独立データに、そのままモデルを適用したことです。
機械が変わるとデータの癖も変わりやすいのですが、それでも平均絶対誤差は1.78日、中央値は1.29日を保ちました。
研究室の中だけでうまくいったのではなく、条件が少し変わっても信号が残っていた。
これは実務への道筋を考えるうえで、とても大きい成果です。
AIは、血液の何を見ていたのか
数値がよかっただけでは、この研究はここまで印象に残らなかったと思います。
魅力はもう一歩先にあります。
研究者たちは、AIが何を手がかりにしていたのかも探りました。
その結果、死後時間とともに減っていく物質群、増えていく物質群、複雑に揺れ動く物質群の3つの大きな流れが見えてきました。
減少するものとして目立ったのは、リゾホスファチジルコリンやアシルカルニチンです。
前者は細胞膜の状態と関わる脂質で、後者は脂肪酸をエネルギーとして使う仕組みに関係する分子です。
これらが下がるということは、細胞膜の崩れやミトコンドリア機能の低下を映している可能性があります。
一方で増えていったのは、アミノ酸やジペプチドでした。
こちらは、たんぱく質が少しずつほどけ、分解されていく過程を思わせます。
言い換えるなら、死後の身体では「壁が傷み」「発電所が止まり」「建材がばらけていく」ような変化が起きている。
その化学的な風景を、AIは時間の手がかりとして読んでいたわけです。
ここがとても美しいところです。
AIはただの黒箱ではなく、死後の生物学的変化そのものを、ある程度きちんと反映していたのです。
すごいのは精度だけではない。少ない症例数でも育つ可能性がある
研究では、「これほど大規模なデータがないと使えないのでは」という疑問にも答えています。
比較的シンプルなLASSO回帰という手法で学習量を減らしながら調べたところ、256例や512例程度でも有望な精度が見えてきました。
独立データを使った別検証では、LASSOでも平均絶対誤差1.49日、中央値1.18日という良好な結果が出ています。
これは重要です。
すべての法医学機関が、最初から数千件の高品質データを持っているわけではありません。
けれど、数百件規模からでもモデル作りの可能性があるなら、導入のハードルはぐっと下がります。
大きな病院だけが使える高価な未来技術ではなく、少しずつ広がっていける技術になるかもしれないのです。
それでも、まだ「万能の時計」ではない
もちろん、この研究を過大評価してはいけません。
著者ら自身も、いくつかの限界を丁寧に述べています。
まず、ごく短い死後時間では過大評価しやすい傾向があり、特にPMI＝1日の予測は難しいとされています。
また、長い死後時間でも精度は落ちます。
データの多くが中間帯に集まっていたため、端の時間帯で学習が薄くなった可能性があります。
さらに、この研究の症例は、搬送後に管理された屋内環境や冷蔵保管がされる、現実の法医学実務に近い条件ではあるものの、屋外放置や極端な高温低温、土壌環境など、あらゆる場面をそのまま代表しているわけではありません。
温度の影響をより正確に反映する積算温度の情報も十分には扱えていませんでした。
つまり、この技術は「すでに完成した万能の死亡時刻推定装置」ではありません。
けれど、ここが大切です。
従来法が苦手だった時間帯に、新しいものさしを差し込める可能性を示した。
それだけでも十分に大きな意味があります。
まとめ。死後の沈黙の中にも、時間の声は残っている
この論文を読んで強く感じるのは、死後経過時間の推定が、勘や経験だけの世界から、少しずつ「再現できる科学」へと進み始めていることです。
血液の中には、死後の変化が静かに積み重なっています。 細胞膜の崩れ、代謝の停止、たんぱく質の分解。
その一つひとつは小さな変化でも、まとめて読めば、時間の輪郭が見えてくる。
AIは、そのかすかな輪郭を拾い上げる新しい聞き手になりつつあります。
法医学、メタボローム、機械学習。
いかにも専門的な言葉が並びますが、この研究が本当に語っているのはもっと素朴なことかもしれません。
人の身体は、命が終わったあとも、しばらくのあいだ時間を記録し続けている。
そして私たちは、その静かな記録を、ようやく読めるところまで来たのです。
参考：The human metabolome and machine learning improves predictions of the post-mortem interval
コメント