機能的結合行列の生成リプレイによるfMRIベースの脳疾患診断に向けた継続学習

要旨: 機能的磁気共鳴画像法（fMRI）は、脳の疾患の研究および診断に広く用いられており、機能的コネクティビティ（FC）行列は大規模な神経相互作用を表す強力な表現を提供します。しかし、既存の診断モデルは単一サイトで、または全てのマルチサイトにアクセス可能な状況でのみ学習されているため、臨床データが異なる施設から逐次的に到着するという現実のシナリオに適していません。その結果、汎化性能が限定的になり、致命的なカタストロフィック・フォーゲッティング（catastrophic forgetting）が深刻化します。本論文では、異種の臨床サイト間におけるfMRIベースの診断のために特化した、最初の継続学習フレームワークを提案します。私たちのフレームワークは、患者群と対照群の双方に対して現実的なFC行列を生成する、構造に着目した変分オートエンコーダを導入します。この生成バックボーンに基づき、新規サイトのデータとリプレイ（再生）されたサンプルとの間で、予測およびグラフ表現を整合させる多層の知識蒸留戦略を開発します。さらに効率を高めるために、適応的なリプレイサンプリングのための階層的コンテキスト・バンディット方式を組み込みます。主要なうつ病性障害（MDD）、統合失調症（SZ）、自閉スペクトラム障害（ASD）を対象としたマルチサイトのデータセットでの実験により、提案する生成モデルがデータ拡張の品質を向上させ、かつ全体としての継続学習フレームワークが、致命的なカタストロフィック・フォーゲッティングの緩和において既存手法を大幅に上回ることが示されます。私たちのコードは https://github.com/4me808/FORGE で公開しています。