相関する脳領域に基づく特徴ホワイトニングで線形ニューロイメージングモデルの臨床的解釈性を改善

arXiv cs.LG / 2026/4/23

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

線形ニューロイメージングモデルはバイオマーカー探索に広く使われる一方、学習された重みの解釈が臨床的に意味のあるものにならないことがあり、これは脳領域間の相関によって重みが領域固有ではなく共有の寄与を反映してしまうためだとされます。
本研究では、既知の共有分散をもつ脳領域グループに対して、神経解剖学的な事前知識を活用したホワイトニング手法を提案し、相関した計測値に含まれる重なり情報の分離を目指します。
さらに、非相関化の度合いを調整できる正則化版も提案されています。
うつ病ではなく（記載の）2つの精神疾患の分類タスク（双極性障害または統合失調症と健常対照の識別）におけるROI特徴量で評価した結果、予測性能を維持しつつ、線形モデルの重みの解釈性が向上することが示されます。
PCA/ICAのような次元削減目的のホワイトニングとは異なり、本手法は入力信号を保持したまま解釈のために相関のある解剖学的ペアをデコリレートすることに特化しています。

Abstract

線形モデルは、計算論的ニューロイメージングにおいて、脳の病理に関連するバイオマーカーを同定するために広く用いられている。しかし、学習された重みの解釈は依然として困難であり、それらが常に臨床的に意味のある洞察をもたらすとは限らない。この難しさは一部には、脳領域間に内在する相関が原因で、線形の重みが領域固有の寄与ではなく共有された寄与を反映してしまうことに起因する。特に、左半球と右半球の相同な構造を含むいくつかの領域群は、強い解剖学的相関を示すことが知られている。本研究では、この先行する神経解剖学的知識を活用し、共有分散が既知の領域群に対してホワイトニング手法を導入する。これは、相関のある脳計測指標間で重なり合う情報を切り離すことを目的とする。さらに、デコリレーション（非相関化）の度合いを制御して調整できる正則化された改良版も提案する。本手法を、2つの精神疾患の分類タスクにおける関心領域（ROI）特徴を用いて評価し、双極性障害または統合失調症の個体を健康な対照群と識別する。重要なのは、次元削減ステップとしてホワイトニングを用いるPCAやICAとは異なり、本アプローチは、解剖学的に情報を与えられた神経解剖学的領域ペアをデコリレートしつつ、入力信号全体は保持する点である。そのため、本手法は特徴選択ではなく、特徴の解釈に特に適している。以上の結果は、ホワイトニングによって予測性能を維持したままモデル重みの解釈可能性が向上することを示しており、線形モデルの出力を神経生物学的メカニズムに結び付けるための堅牢な枠組みを提供する。