意欲的行動の神経メカニズムを解明するための機械学習アプローチ：ADHDから、努力と報酬感受性の個人差まで

要旨: 動機づけられた行動は、努力と報酬を評価する脳の能力に依存している。これらの過程における調節不全は注意欠如・多動性障害（ADHD）における過活動から、無関心（apathy）における目標指向行動の低下まで、幅広い状態のスペクトラムに寄与する。本論文は、脳波計測（EEG）を用いてADHDの神経メカニズムを調べ、さらに神経画像化によって努力と報酬感受性における個人差を検討し、主要3つの研究を通じて機械学習アプローチを適用する。研究1では、課題実行時および安静時のEEGを機械学習モデルと組み合わせて用い、成人のADHD群と健常対照群を分類した。ストップシグナル課題中の課題実行時EEGで訓練された機械学習分類器は、安静時EEGで訓練された分類器を上回り、最も強い予測特徴は前頭-中心および頭頂領域におけるガンマ帯のスペクトルパワーから得られた。研究2では、拡散MRIと全脳のパーミュテーションに基づく解析により、白質の健全性と、努力および報酬感受性を反映する計算モデル化されたパラメータとの関連を同定し、SMA（補足運動野）に連結する線維路が中核ハブとして現れた。研究3では、構造T1強調MRIから得た灰白質体積を用いて、努力感受性、報酬感受性、そして潜在的な無関心の相関を調べ、機械学習により報酬感受性および無関心レベルの頑健なデコーディングが確認された。各研究を通じて、前頭-頭頂回路が努力の価値評価および報酬処理の中心として浮かび上がった。これらの知見は、ADHDおよび動機づけの障害における診断精度の向上のための神経バイオマーカーとして、また個別化された神経技術的介入の指針として役立つ可能性がある。