A Bayesian Longitudinal Spatial Normative Model for Individualized Brain Deviation Mapping

技術的概要：個別化された脳逸脱マッピングのためのベイズ縦断的空間規範モデル

1. 問題提起

従来の神経画像研究は、診断群間の集団平均比較に依存しており、個人レベルの不均質性を捉えきれていないことが多い。**規範モデル（normative modeling）**は、集団平均ではなく参照集団からの個別化された逸脱を推定するという解決策として登場したが、既存の実装には主に 3 つの限界がある：

1. 横断的焦点： 反復的な神経画像測定データの入手可能性が高まっているにもかかわらず、多くのモデルは実質的に横断的であり、または被験者内の時間的依存性を十分に考慮できておらず、データの非効率的な利用と不安定な推定をもたらしている。
2. 独立性の仮定： ほとんどの手法は脳領域を独立して扱い、神経解剖学的変異のよく文書化された空間的組織を無視している。これは、解剖学的および機能的に関連する領域間の構造化された関係を軽視し、効率を低下させ、逸脱マップの幾何学を歪めている。
3. 暗黙的な逸脱の定義： 多くの応用において、逸脱は単に適合モデルからの残差として扱われる。科学的関心が逸脱の空間的構成（例えば、神経変性疾患において）にある場合、この表現は不十分である。逸脱は、直接推定と原理的な不確実性の定量化を可能にするために、構造化された潜在量として扱われるべきである。

中心的な推論問題は、一貫した確率論的枠組みの中で、時間とともに進化し、脳領域間で構造化された依存性を示す、被験者固有の逸脱マップの推定である。

2. 手法

著者は、領域レベルの構造的 MRI 結果に対するベイズ縦断的空間規範モデルを提案する。このモデルは、被験者内の時間的依存性と空間的に構造化された被験者固有の逸脱を共同で捉える、統合された階層的枠組み内で動作する。

モデル定式化：
被験者 $i$、訪問 $t$、領域 $r$ における観測値 $Y_{itr}$ は以下のようにモデル化される：
$$Y_{itr} = X_{it}^\top \beta_r + b_i + u_{ir} + \varepsilon_{itr}$$
ここで：

• $X_{it}^\top \beta_r$ は、共変量駆動型の規範的平均関数（例：年齢、性別）である。
• $b_i$ は、反復訪問にわたる時間的依存性を捉える被験者固有のランダム切片であり（$b_i \sim N(0, \sigma_b^2)$）、
• $u_{ir}$ は被験者および領域固有の潜在空間逸脱プロセスである。被験者 $i$ の逸脱ベクトル $\mathbf{u}_i$ は、既知の領域レベルの隣接行列 $W$ に基づく条件付き自己回帰（CAR）仕様 $Q(\rho) = D - \rho W$ を持つ精度行列 $\tau_u^{-2}Q(\rho)$ を用いたガウスマルコフランダムフィールド（GMRF）に従う。
• $\varepsilon_{itr}$ は残差誤差項である。

推論と推定：

• 潜在プロセスとしての逸脱： 場当たり的な残差要約とは異なり、個別化された逸脱マップは明示的な事後分布を持つ潜在空間プロセスとして扱われる。
• ベイズ推定量： 二乗誤差損失の下では、潜在逸脱ベクトル $\mathbf{u}_i$ の事後平均が、被験者固有の空間逸脱マップに対するベイズ推定量として機能する。
• 標準化スコア： 標準化された逸脱スコア（$Z_{itr}$）は事後予測分布から導出され、個人が規範的参照からどのように逸脱しているかを確率的に解釈することを可能にする。

3. 主要な貢献

本論文は 3 つの具体的な貢献を行う：

1. 共同モデル枠組み： 縦断的依存性（ランダム切片を介して）と空間的に構造化された被験者固有の逸脱（CAR 事前分布を介して）を同時に捉える、領域レベルのベイズ規範モデルを導入する。
2. 理論的特徴付け： 誘起される共分散構造を特徴付け、ガウス仮定のもとで個別化された空間逸脱マップの事後分布を導出する。これにより、逸脱マップを単なる残差ではなく、正式なベイズ推定量として確立する。
3. 実証的評価： 6 つのシミュレーションシナリオと OASIS-3 構造的 MRI データへの適用を通じてモデルを評価し、独立した横断的および縦断的非空間的ベンチマークと比較する。

4. 結果

シミュレーション研究：
6 つのシナリオ（空間的依存性、訪問スケジュール、欠損データ、非線形軌道の違い）において、提案されたモデルはベンチマーク一貫して上回った：

• 逸脱マップの回復： 提案されたモデルは、すべてのシナリオで逸脱マップ再構成の平均二乗誤差（MSE）を最小化した。中程度から強い空間的依存性において、独立した横断モデルに対して約55%、縦断的非空間モデルに対して**35–46%**のマップ再構成誤差の削減を実現した。
• ロバスト性： 不規則な訪問スケジュール、フォローアップの欠落、平均関数の誤指定（非線形軌道）の下でも、モデルは安定していた。
• 較正： 提案されたモデルは、平均がゼロに最も近く、安定した尾部確率を持つ標準化された逸脱スコアを生成した。空間的正則化に起因する軽度の分散収縮（z スコア分散 $\approx 0.96$）を示したが、縦断的非空間モデルで見られる過小分散を回避し、ほぼゼロの系統的偏位を維持した。

OASIS-3 適用：
OASIS-3 データセットからの 1,902 の領域レベル観測値に適用した結果：

• 適合度の向上： ベイズ的被験者固有空間モデルは、独立した横断モデルに対して RMSE を54%、縦断的非空間モデルに対して**45%**削減した。
• 領域パターン： 極端な逸脱は、側頭極、嗅内皮質、下側頭皮質、後部帯状回、傍海馬皮質に集中していた。これらの領域は、初期のアルツハイマー型神経変性に関与するとされる領域と一致する。
• 個人レベルの不均質性： 被験者レベルのプロファイルは、著しい不均質性を明らかにした。特に、モデルは、全体的な認知スコアが保持されている被験者（例：MMSE $\approx$ 29.7）において、顕著な多領域逸脱の事例を特定し、集団平均や粗い認知要約によって隠蔽された構造的異常を検出する能力を実証した。

5. 意義と主張

本論文は、科学的関心が解剖学的逸脱の領域的組織にある場合、空間的情報を有する縦断的規範モデルが、個別化された神経画像分析のための原理的な枠組みを提供すると主張する。

• 方法論的転換： この研究は、逸脱を二次的な残差として扱うことを超えて進化する。逸脱を構造化された潜在量としてモデル化することで、直接推定と原理的な不確実性の定量化を可能にする。
• 共同モデルの必要性： 結果は、領域依存性が強い場合、縦断的モデル化だけでは不十分であることを示している。真の個別逸脱の幾何学を回復するためには、空間的構造が不可欠である。
• 解釈可能性： この枠組みは、集団平均軌道によって隠蔽され得る、空間的に一貫した解剖学的逸脱パターンの同定を支援する。較正結果は、空間的借用が保守的な収縮（極端な偽陽性の減少）を誘発する一方で、逸脱スコアの確率的解釈可能性を維持することを示している。

著者らは、この枠組みが、個別化された解剖学的逸脱が時間とともに進化し、構造化された依存性を示す状況に規範モデルを拡張し、健康と疾患における個人脳のばらつきを研究するためのより正確で解釈可能なツールを提供すると結論付けている。