脳障害診断のための脳ネットワークにおける階層的組織構造の学習

概要: 機能的磁気共鳴画像法（fMRI）に基づく脳ネットワーク解析は、脳障害の診断において極めて重要である。既存のアプローチは通常、事前に定義された機能的サブネットワークに依存してサブネットワーク間の関連性を構築する。しかし、高いピアソン相関を持つ多くのクロスネットワーク相互作用パターンが、この厳格な事前組織によって捉えられていないことを我々は確認した。この制約を克服するため、本研究ではBrain Hierarchical Organization Learning（BrainHO）を提案する。これは、事前定義されたサブネットワークラベルに依存せず、脳の固有特徴に基づいて階層的な脳ネットワーク依存関係を学習する手法である。具体的には、モデルがノードを階層的組織に統合し、サブグラフレベルでの複雑な結合パターンを効果的に捉える階層的注意機構を設計した。多様性、補完性、安定性のある組織化を保証するため、正交性制約損失と階層的一貫性制約戦略を取り入れ、高次グラフ意味情報によりノードレベルの特徴を洗練する。公開されているABIDEおよびREST-meta-MDDデータセットを用いた広範な実験により、BrainHOは最先端の分類性能を達成するだけでなく、病変関連サブネットワークを精密に局所化することで解釈可能かつ臨床的に重要なバイオマーカーを発見することを示した。