2017 Fiscal Year Research-status Report
Development of novel biomarker from electroencephalography data for by machine learning approach
| Project/Area Number |
17K16365
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
徳田 慶太 東京大学, 医学部附属病院, 特任研究員 (50762176)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | 脳波 / バイオマーカー |
|---|
| Outline of Annual Research Achievements |
本研究の目的では、機械学習を用いて脳波を解析することにより、これまでに知られていない精神疾患患者の脳波の特徴を抽出することである。具体的には、医師の診断結果が紐付いた患者および健常者の脳波を学習データとして、ディープラーニングの学習を行うことにより、被験者と精神疾患患者の脳波の違いを抽出する。それにより、（１）高精度の診断・治療効果の評価、（２） 病態進行の個別予想、（３）脳波を用いたバイオフィードバックなどによる治療法の開発、（４）疾患動物モデルの開発・評価による創薬の効率化、（５）疾患の基礎的な神経生理学的・病理学的な理解などの実現につながり得る発見を目指すものである。初年度では、脳波の解析に最適なディープラーニングのアーキテクチャーの検討や、発病危険状態（at risk mental state: ARMS）と呼ばれる微弱な症状を呈している患者の脳波の解析を行う予定であったが、予定通りこれらを実施した。前者に関しては、Stacked auto-encoderやconvolutional neural network (CNN)に関して、脳波データから医師による診断を予測するようにモデルに学習させて、モデルパラメータとパフォーマンスの関係をクロスバリデーションにより検討を行った。結果として、CNNにおいてよりよいパフォーマンスが得られ、統計的に有意に患者の分類をできることがわかった。後者に関しては、ARMSの患者においては脳波測定のセッション中に特徴量の揺らぎが増大している結果が得られた。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度の計画であった、モデルの構築に関しては、Stacked auto-encoderや、convolutional neural network (CNN)に関してモデルパラメータとパフォーマンスの関係をクロスバリデーションにより検討を行った結果、CNNにおいてよりよいパフォーマンスが得られ、脳波データから、医師による診断を統計学的に有意に予測できることがわかった。これは、機械学習により、病態を特徴付けるなんらかの特徴量が抽出されたことを反映していると考えられる。引き続き解析を続ければ、より精度を向上させられる可能性を示唆している。また、同じく初年度の計画であった、ARMSの解析に関しては、得られた特徴量を、脳波測定のセッション中の分散を被験者ごとに計測し、健常者と統合失調症患者、そしてARMSの患者間で比較を行ったところ、ARMSの群では分散の大きさが有意に大きくなっていることがわかった。これは病態の状態の不安定性を反映している可能性があり、さらなる解析を進めるべきであると考えられる。
|
| Strategy for Future Research Activity |
平成３０年度には、引き続きよりよりモデルのハイパーパラメータの探索を行う予定である。また、ARMSの解析に関しても、脳波測定中の特徴量の揺らぎの増大が見られており、計算の条件の検討などを行いさらにこの点の解析を進める。
|
| Causes of Carryover |
計算機の購入を予定していたが、これまでの研究遂行においては既存の計算資源で十分に計算できることができたので、購入をしなかったためである。
|
Research Products
(1 results)
