|
現在の深層学習を用いた精神疾患脳画像研究は、健常者と患者を判別するカテゴリー的アプローチが主流である。しかし、カテゴリー内の患者像が一様ではなく、カテゴリー間でも重複が見られ、病態解明に迫れていない。また、深層学習の過程で、疾患カテゴリー判別に関係ない情報は淘汰されており、深層学習の真価を発揮できていない。本研究は精神疾患カテゴリーに捉われず、症状・行動指標と生物学的基盤の対応を重視する次元的アプローチを採用する。その上で、脳画像から深層学習により症状・行動指標を標的とした特徴量の抽出技術の確立を目指した。
本研究では、3次元脳構造MRI画像を入力データとした、特徴量抽出深層ニューラルネットワークの構築を行なった。深層学習の訓練時には精神疾患診断ラベルを用いないネットワークを用いた。データは公開データベースから取得し前処理を行った。これらを入力データとしてネットワークの学習を行なった。ハイパーパラメーターである畳み込み数やチャンネル数を調整した複数のモデルについて、再構成誤差および抽出特徴量による臨床情報の予測性能を評価した。その結果、最適なハイパーパラメーターを持つモデルにより抽出された特徴量は症状や服薬量など統合失調症と関連した情報を含んでおり、従来手法を上回っていた。
本研究においては、ラベルを不要とする自己教師あり学習のアルゴリズムを用いており、人間によるバイアスを排除して、自己組織的に特徴量抽出が可能であり、これまで失われていた脳画像に含まれる情報も抽出できた可能性がある。また、次元的アプローチの理念に基づいて、データ駆動で臨床情報と関連した特徴量を抽出できており、統合失調症のみならず様々な精神疾患の脳画像にも転用できる可能性が示唆された。成果は学会発表を行なっており、原著論文として国際誌に掲載された。
|
