概要: 安静時機能的磁気共鳴画像法（fMRI）から導出される動的機能的結合（dFC）は、脳科学研究において広く利用されている。スライディングウィンドウ相関（SWC）法は、脳領域のペアから得られた信号の振幅時系列間の相関係数を計算することでdFCを構築するための、広く用いられているアプローチである。本研究では、fMRI信号の振幅と位相の両方の情報を組み込む統合的アプローチを提案し、脳疾患の検出精度を向上させる。具体的には、MSFL（MSFL: Multi-Scale Fusion Learning）と呼ばれるマルチスケール融合学習の枠組みを導入する。MSFLは、SWCおよび位相同期（PS）から得られる、相補的な2種類のdFC特徴を活用する。ここで、SWCは振幅相関を捉え、PSはdFC内での位相のコヒーレンスを測定する。ABIDE IおよびREST-meta-MDDという2つの公開データセットをそれぞれ用い、MSFLの有効性を、自閉スペクトラム障害および大うつ病の分類により評価した。その結果、MSFLは既存の比較モデルを有意に上回ることが示された。さらに、SHAPフレームワークを用いたモデル説明分析を行い、SWCとPSの両方から得られるdFC特徴の2種類が、脳疾患の検出に寄与していることを確認した。
動的機能的結合からの融合学習：fMRI信号の振幅と位相を組み合わせて脳疾患を同定する
arXiv cs.AI / 2026/3/27
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、安静時機能的MRI（resting-state fMRI）における2種類の動的機能的結合（dFC）特徴量を統合する、多階層の融合学習フレームワーク「MSFL」を提案する。具体的には、スライディング・ウィンドウ相関（振幅ベース）と位相同期（位相ベース）を組み合わせる。
- この手法は、振幅相関（SWC）と位相コヒーレンス（PS）という、神経ダイナミクスの相補的な側面を反映する両方を捉えることで、脳疾患の検出性能を向上させることを目的とする。
- MSFLは、ASD（自閉スペクトラム症）分類にABIDE I、MDD（大うつ病性障害）分類にREST-meta-MDDを用いて評価し、既存の比較モデルに対して有意な性能向上を報告している。
- 本研究ではSHAPによる説明可能性も含めており、振幅由来および位相由来の双方のdFC特徴量が分類判断に寄与していることを見出している。
- fMRI時系列データからの機械学習ベースの診断支援に向けて、改善されたdFC特徴量の融合が有望な方向性であることを位置づける。
