DuSCN-FusionNet: ADHD 分類のための解釈可能な双チャンネル構造共変ネットワーク融合フレームワーク

本論文は、構造的 MRI（sMRI）データを用いて注意欠如・多動症（ADHD）を分類するための新しい深層学習フレームワーク「DuSCN-FusionNet」を提案しています。従来の深層学習モデルが「ブラックボックス」として機能し、臨床現場での信頼性や解釈性に欠けるという課題に対処し、高い分類精度と解剖学的な解釈可能性の両立を目指しています。

以下に、論文の技術的概要を問題定義、手法、主要な貢献、結果、意義の観点から詳細にまとめます。

---

1. 問題定義と背景

• ADHD 診断の課題: ADHD は一般的な神経発達障害ですが、信頼性の高い画像バイオマーカー（特に解剖学的マーカー）の欠如により、神経生物学的な診断は困難です。
• 既存手法の限界: 近年、機械学習や深層学習（DL）が sMRI 解析に応用されていますが、多くの DL モデルは予測の根拠となる解剖学的基盤を明示できず（ブラックボックス化）、臨床医の信頼を得られにくいという問題があります。
• 解釈性の必要性: 単に ADHD と対照群（HC）を区別するだけでなく、どの脳領域が疾患に関連しているかを特定し、潜在的なバイオマーカーとして提示できる「解釈可能な（Interpretable）」フレームワークの必要性が指摘されています。

2. 提案手法：DuSCN-FusionNet

提案されたフレームワークは、sMRI のみを用いたパイプラインであり、以下の 3 つの主要モジュールで構成されています。

A. データ前処理と特徴抽出

• データ: ADHD-200 コンソーシアムの北京大学サイト（T1 強調画像）を使用。アテネ（Athena）パイプラインでスカルストリッピングと空間正規化を施したデータを利用。
• ROI 分割: 自動解剖学的ラベリング（AAL）アトラス（116 領域）を用いて脳を分割。
• 特徴量抽出: 各 ROI に対して 2 つの補完的な形態計測特徴を抽出します。
  1. 平均正規化強度（MNI）: 領域内の平均強度。
  2. 四分位範囲（IQR）: 領域内の構造的異質性（バラつき）を捉える指標。
• 補助特徴: 全脳的な統計量（平均、標準偏差、中央値）も併せて抽出。

B. 構造共変ネットワーク（SCN）モデリング

脳領域間の形態的関係をモデル化するために SCN を構築します。

• グループレベル共変: 学習対象全員の特性行列から領域間の共変行列を計算。
• 個体レベル共変: 個々の被験者の特徴ベクトルから外積表現を生成し、個人差を保持。
• 融合: グループレベルと個体レベルの情報を重み付け（$\alpha$）して融合し、個体固有の SCN を作成。
• 双チャンネル表現: 2 つの異なるチャネルを作成します。
  1. 強度ベース SCN: MNI 特徴から構築。
  2. 異質性ベース SCN: IQR 特徴から構築。
     これらをスタックし、$2 \times 116 \times 116$ のテンソルとして CNN に入力します。

C. 分類モジュールと融合

• SCN-CNN エンコーダ: 双チャンネル SCN 入力を受け取り、3 つの畳み込み層（64, 128, 256 フィルタ）で特徴を抽出。
• 遅延融合（Late-stage Fusion）:
  • CNN からの SCN 特徴ベクトルと、前述の「ROI 内の IQR」および「全脳統計量」からなる補助特徴ベクトルを結合（Concatenation）。
  • 結合された特徴を全結合層（FC）に通し、最終的な分類（ADHD vs HC）を行います。

D. 解釈可能性（Post-hoc Analysis）

• Grad-CAM の適応: 従来の Grad-CAM はピクセル単位ですが、SCN は領域間の関係性を表すため、SCN 行列の行と列にわたって応答を集約し、ROI レベルの重要度スコアを算出します。
• バイオマーカー特定: 90 パーセンタイルを超えるスコアを持つ ROI を候補バイオマーカーとして抽出します。

3. 主要な貢献

1. sMRI 単独の双チャンネル SCN パイプライン: 強度と異質性の両方を捉える双チャンネル構造共変ネットワークに基づく、ADHD 識別のための深層学習パイプラインを開発。
2. 多様な特徴の融合: SCN-CNN エンコーダによる表現学習と、ROI 内の変動性・全脳統計量といった補助特徴の遅延融合を組み合わせ、識別性能を向上。
3. SCN 領域への Grad-CAM 適応: 脳領域間の関係性をモデル化する SCN に対して Grad-CAM を適用し、構造的に関連する脳領域を特定可能な解釈可能なフレームワークを確立。

4. 実験結果

• データセット: ADHD-200 の北京大学サイト（ADHD 78 名、対照群 116 名）。
• 評価手法: 層化 10 回交差検証、5 つのシード（乱数種）を用いたアンサンブル戦略。
• 性能指標:
  • バランスド精度 (Balanced Accuracy): 80.59%
  • AUC: 0.778
  • Precision: 81.66%
  • Recall: 80.59%
  • F1 スコア: 80.27%
• 既存手法との比較:
  • 3D CNN や GAN ベースの先行研究と比較して、同程度の、あるいはより高い性能を示しつつ、バイオマーカーの解釈性を提供できる点で優れています（先行研究の多くは解釈性を提供していません）。
• アブレーション研究:
  • 補助特徴やアンサンブル戦略を除去した場合、性能が大幅に低下することを確認し、各コンポーネントの有効性を証明しました。

5. 解釈性結果と生物学的妥当性

Grad-CAM 分析により、以下の脳領域が ADHD 分類において最も重要であることが特定されました。

• 主要な領域: 両側の尾状核（Caudate）、帯状回（Cingulum: 前部/中部/後部）、中心傍葉、小脳虫部（Vermis 9–10）。
• 生物学的整合性: これらの領域は、ADHD の神経生物学において確立された「前頭 - 線条体回路（実行制御・注意調節）」や「感情処理・認知制御」に関与しており、モデルの予測が医学的知見と一致していることが示されました。また、統計的検定でもこれらの領域で群間差が確認されました。

6. 意義と結論

本論文の DuSCN-FusionNet は、単に高い分類精度を達成するだけでなく、「なぜその分類がなされたか」を解剖学的な観点から説明可能にする点に大きな意義があります。

• 臨床的価値: ブラックボックス化された AI モデルの課題を解決し、臨床医の信頼を得るための解釈可能なツールを提供。
• バイオマーカー発見: 特定の脳領域やネットワーク構造を潜在的なバイオマーカーとして同定し、ADHD の神経メカニズム理解に貢献。
• 将来展望: 複数のサイト（Multi-site）での一般化性の検証や、より高度な説明可能性手法の導入が今後の課題として挙げられています。

総じて、この研究は sMRI ベースの精神疾患診断において、深層学習の性能と医学的解釈性を両立させるための重要なステップを示しています。