End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

人間の脳は、静止した部品の集まりではなく、異なる領域間で情報が絶えず移動する動的で流動的なネットワークです。脳がどのように機能し、損傷時にどのように機能不全に陥るかを理解するために、科学者は3種類の結合に着目します。「構造的結合」は、道路そのもののような物理的な配線です。「機能的結合」は、異なる領域が同時に活動する頻度を測定するもので、偶然一致した交通パターンに似ています。「有効結合」はさらに一歩踏み込み、どの領域が実際に他の領域へ信号を送っているのかを問い、情報の流れにおける因果関係を確立します。血流が脳の一部で遮断される脳卒中を患う患者にとって、これらのネットワークは混乱します。損傷は単なる組織の穴のような単純なものではなく、システム全体に波及し、脳の片側からもう片側への情報の動きを変化させます。これらの方向性とタイミングの具体的な変化を理解することは、脳卒中の重症度を診断し、患者の回復を予測する上で極めて重要ですが、従来のツールでは、これら複雑な一方向の流れを正確にマッピングすることに苦慮することがよくあります。

新しい研究において、AGHクラクフ科学技術大学とサノ計算医学センターの研究者たちは、これらの因果的な流れをマッピングし、それを用いて健康な脳と脳卒中によって損傷した脳を区別するための完全なパイプラインを開発しました。チームは、104人の脳卒中患者と26人の健康なボランティアからの磁気共鳴画像法（MRI）データから着手しました。これらのスキャンは、100の明確な領域に分解された、時間の経過に伴う脳の活動を捉えました。領域間の単純な双方向の関係を想定しがちな標準的な手法を用いる代わりに、研究者たちは「リザーバーコンピューティング」と呼ばれる特殊な計算手法を採用しました。このアプローチは、脳の活動を複雑な時間依存システムとして扱い、コンピュータが一方の領域の信号が別の領域の信号にどのように影響を与えるかを学習できるようにすることで、情報の流れの方向性を効果的に再構築します。その結果、各個人の詳細な「有効結合」のマップが作成されました。これは、どの脳領域が他の領域の活動を駆動しているかを矢印で示す、有向グラフとして表現されます。

これらのマップが作成されると、研究者たちは、ネットワークを分析するために設計された一種の人工知能である「グラフ畳み込みニューラルネットワーク」にそれらを入力しました。目的は、コンピュータが、これらの方向性を持つマップのみに基づいて、脳卒中患者の脳ネットワークと健康な対照群の脳ネットワークを識別できるかどうかを確認することでした。システムは成功し、標準的な性能尺度である0.69というスコアに相当する精度で、グループを正しく識別しました。これは控えめな数値に聞こえるかもしれませんが、グレーンジャー因果関係のような、より低いスコアしか得られなかった古い統計的手法に依存していた従来の手法と比較すると、大幅な改善です。本研究では、新しいリザーバーコンピューティングのアプローチが、伝統的な手法よりも、特に左右の半球間のバランスがいかに崩れているかを明らかにすることで、脳の混乱したネットワークのニュア細部をより良く捉えたことが明示されました。

おそらくこの研究の最も価値のある部分は、単なる分類能力ではなく、コンピュータがなぜその決定を下したのかを説明できる能力にあります。研究者たちは「LIME」と呼ばれるツールを使用して、人工知能の「思考プロセス」の内部を覗き込み、脳卒中を特定するためにどの特定の接続が最も重要であったかを確認しました。彼らは、患者においては、注意に関連するネットワーク（脳の注意システムの上下両方）における混乱が最も顕著な兆候であることを発見しました。対照的に、健康な対照群は、視覚および言語ネットワークの完全性によって識別されました。この発見は、失語症のように言語処理が損なわれるといった、既知の脳卒中の症状と一致しています。研究は、脳卒所の部位が極めて重要であることを示唆しています。右側の脳に損傷がある患者は、左右の半球間の対称的なコミュニケーションにおいてより深刻な断絶を示しましたが、これは右半球が言語に関与する度合いが低く、損傷による波及効果の影響をより強く受けるためと考えられます。

研究者たちは、これがエンドツーエンドのフレームワークであることを強調しています。つまり、生の脳スキャンを受け取り、人間の専門家がすべての接続を手動で追跡する必要なく、明確で解釈可能な診断へと変換できることを意味します。データセットは、脳のさまざまな場所で発生した脳卒中を含む異質なものでしたが、システムは混乱の共通項を見つけ出すことができました。この研究は、脳卒中の診断を解決したと主張したり、このツールがすぐに病院で使用できることを示唆したりするものではありません。むしろ、高度な因果モデリングと説明可能な人工知能を組み合わせることが、脳損傷の隠れたメカニズムを明らかにできることを示し、実行可能な道筋を提示しています。複雑な神経画像データを、混乱した接続の視覚的なマップへと変えることで、この研究は脳がどのように機能不全に陥るかを理解するための新しい方法を提供しており、将来的に患者の層別化や治療を個別化するためのより良い方法につながる可能性があります。