| Project/Area Number |
23K17330
|
|---|
| Research Category |
Grant-in-Aid for Challenging Research (Pioneering)
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Medium-sized Section 22:Civil engineering and related fields
|
|---|
| Research Institution | Advanced Telecommunications Research Institute International (2024)
Kochi University of Technology (2023) |
|---|
Principal Investigator |
朴 啓彰 株式会社国際電気通信基礎技術研究所, 脳情報通信総合研究所, 研究員 (60333514)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
吉田 真一 高知工科大学, 情報学群, 教授 (30334519)
村井 俊哉 京都大学, 医学研究科, 教授 (30335286)
中野 公彦 東京大学, 生産技術研究所, 教授 (90325241)
南部 功夫 長岡技術科学大学, 工学研究科, 准教授 (40553235)
|
|---|
| Project Period (FY) |
2023-06-30 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥25,610,000 (Direct Cost: ¥19,700,000、Indirect Cost: ¥5,910,000)
Fiscal Year 2026: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2025: ¥8,580,000 (Direct Cost: ¥6,600,000、Indirect Cost: ¥1,980,000)
Fiscal Year 2024: ¥12,480,000 (Direct Cost: ¥9,600,000、Indirect Cost: ¥2,880,000)
Fiscal Year 2023: ¥3,250,000 (Direct Cost: ¥2,500,000、Indirect Cost: ¥750,000)
|
|---|
| Keywords | MRI / 危険運転行動 / 機械学習 / 健常ドライバー / あおり運転 / 灰白質脳部位体積 / 脳神経基盤 / 脳ドック / 高齢ドライバー |
|---|
| Outline of Research at the Start |
本研究は、日本特有の脳ドックに注目し、4万件を超える脳MRIデータと事故歴など運転に関するアンケート調査データを連結した世界最大規模の交通脳データベースを活用する。脳ドックのMRIビックデータから、あおり運転の傾向を持つドライバーをスクリーニングする。次に、３テスラMRI・fMRIから得られた脳構造データと脳機能データの分析を基に、あおり運転特有の脳神経基盤を解明する。さらに、AIを用いてあおり運転ドライバー判別モデルを構築・検証する。一方、あおり運転行動の脳神経基盤の解明は、高齢ドライバーを対象にした危険運転対策の脳医学的裏付けにも繋がる。
|
| Outline of Annual Research Achievements |
危険運転行動するドライバーを大脳灰白質の脳部位容積値で特定する機械学習の最適化を試みた。認知機能が健常ドライバー94名（男性45名、女性49名、平均年齢77.66±3.67歳）を登録し、自動車教習所の協力の下、所内走行コースで高齢者講習で認定された実車運転評価を実施した。運転評価は、左右確認行動、速度超過、方向指示器による合図、車両安定性、ポジショニング、ステアリングの6つのカテゴリーでスコア化された。認定運転教官によってスコアは付与され、スコアが低い（15パーセンタイル未満）グループとそうでないグループに分類した。脳部位容積は、MRIスキャンのボクセルベース形態計測法を用いて定量化された。機械学習は、BootstrapやLASSOで前処置を行った後、主要な８つの機械学習メソッドを纏めて試行できるライブラリー(scikit-learn)を使用した。最適な機械学習メソッドとして、ランダムフォレスト機械学習アルゴリズムを選定した。114の脳部位のうち、左角回、前頭蓋部、後頭紡錘状回、頭頂蓋部、中心後回、極平面、上側頭回、右海馬、下前頭回の眼窩部、後帯状回、後眼窩回の11部位が最適な予測因子として選択されました。これらの部位は、注意、空間認知、視覚処理、体性感覚統合といった安全運転に不可欠な機能に関与していて、ランダムフォレストモデルは高い精度と特異度を示した.しかしながら、適合率と再現率は中程度であったため、実社会への即時適用は難しいと考えられた。脳部位容積は、重篤な運転挙動評価低下のリスクがある健常ドライバーを特定する上で有望であるが、予測性能は実用化レベルには至っていない。拡散強調画像を使った神経接続性などの追加要因によって、予測精度が向上する可能性があると推察される。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
脳ドック診察時に行われたアンケート調査で、条件付き危険運転行動があると推察された被験者を対象に、認定運転教官による実車運転挙動評価を行い、評価の低いグループとそうでないグループに分類した。8つの機械学習メソッド間で、最も予測性能が高いランダムフォレストを選定する事ができたが、高い精度と特異度を示す一方、適合率と再現率は中程度であったため、改善の余地がある。
|
| Strategy for Future Research Activity |
MRIの脳構造データである脳部位容積値だけでは、予測性能を最大限に伸ばすことは難しいと考えられる。拡散強調画像を使った神経接続性や、機能的MRIによる神経ネットワークを評価に加える必要性が考えられる。健常者に高頻度で認められる脳虚血所見である白質病変を変数として含める方策も考えられる。また、深層学習などMRI画像データを直接読み取る方策も考えられる。
|
