要旨: 近年、動的機能的結合（FC）をモデル化することで脳疾患を予測するために、いくつかの脳基盤モデル（FM）が提案されている。これらは優れたモデル性能と、ゼロショットまたは少数ショットの汎化を示す一方で、潜在的なバイオマーカー候補として同定された主要な特徴は、まだ十分に評価されていない。そこで我々は、FMを含む深層学習（DL）モデルによって明らかにされた潜在的バイオマーカー候補の頑健性（robustness）を評価するための枠組み RE-CONFIRM を提案する。自閉スペクトラム症（ASD）、注意欠如・多動性障害（ADHD）、およびアルツハイマー病（AD）の5つの大規模データセットに関する実験から、一般に用いられる性能指標はモデル予測の直感的な評価を可能にするものの、これらのモデルによって同定されたバイオマーカーの頑健性を評価するには不十分であることが分かった。RE-CONFIRM の指標は、単に FM を微調整（finetuning）するだけでは、ASD や ADHD のようにハブが関与していることが知られている疾患でさえ、モデルが領域ハブを効果的に捉えられないことを明らかにした。これを踏まえ、我々は Hub-LoRA（低ランク適応）を微調整手法として提案する。これにより、FM はカスタマイズされた DL モデルを上回るだけでなく、メタ解析によって裏付けられた神経生物学的に忠実なバイオマーカーを生成することができる。RE-CONFIRM は一般化可能であり、機能的 MRI データセットで訓練された DL モデルの頑健性を容易に確かめるために適用できる。コードは以下で提供されている: https://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRM.
動的機能的結合から神経疾患の頑健なバイオマーカーを発見するための基盤モデル
arXiv cs.AI / 2026/4/27
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、動的機能的結合（FC）を用いる脳の基盤モデルから得られるバイオマーカー候補が本当に頑健かどうかを検証するRE-CONFIRMの枠組みを提案しています。
- ASD、ADHD、アルツハイマー病のfMRIデータ5つの大規模データセットでの実験により、通常の予測性能指標だけではバイオマーカーの頑健性を評価するには不十分であることが示されています。
- 著者らは、基盤モデルを単純にファインチューニングすると、ASDやADHDのように関与が知られている領域ハブをうまく捉えられない場合があると報告しています。
- これに対し、Hub-LoRA（LoRAベースのファインチューニング）を提案し、性能を向上させつつ、神経生物学的に整合しメタ解析で裏付けられるバイオマーカーを生成できるとしています。
- RE-CONFIRMは機能的MRIで学習した深層学習モデルに広く適用でき、頑健性評価に利用可能であるとしており、GitHubでコードを公開しています。
