技術要約：拡張を超えて：EEGベースの抑うつ病検出のためのスコア誘導型病理学的事前分布

1. 問題提起

脳波（EEG）を用いた大うつ病性障害（MDD）の検出は、臨床データセットが通常100名未満の被験者しか含まないという小標本問題（small-sample dilemma）によって根本的な制約を受けている。データの不足に対処するため、既存の手法は生成的なデータ拡張（例：GANや拡散モデル）を用いて擬似サンプルを合成することに依存している。しかし、著者らはこのアプローチが致命的な手法上の欠陥をもたらすと主張している：

• 合成ノイズ： 高次元で非定常な生のEEG信号を直接合成すると、深刻な形態学的歪みや高周波アーチファクトが発生する。
• 分布シフト： 生成されたサンプルは、実データの多様体から著しい分布シフト（$\Delta\sigma = 0.73$）を示し、固有の統計的特性を保持できていない。
• 境界のぼやけ： 分類境界を鮮明にする代わりに、ノイズの多い拡張は偽の相関を注入し、モデルが臨床的に意味のあるバイオマーカーではなく、合成ノイズを記憶してしまう原因となる。
• ハードウェアの不均一性： 臨床センター間で異なる電極構成（例：19チャンネル対128チャンネル）が存在することが、実環境への展開を阻害しており、標準的なモデルはコストのかかる再学習なしには汎化できない。

2. 手法：スコア誘導型分類 (SGC)

著者らは、パラダイムを「サンプルの生成」から「事前分布のマイニング」へと転換するスコア誘導型分類（Score-Guided Classification: SGC）を提案している。SGCは、新しいデータを合成するのではなく、教師なし生成アーキテクチャを利用して、サンプルの構造的および統計的な異常度をモデル化し、決定論的でノイズのない病理学的事前分布として機能させる。

コア・アーキテクチャ

本フレームワークは、デュアルストリーム・アーキテクチャを通じて動作する。

A. 教師なしストリーム（病理学的事前分布のモデリング）

正常な脳ダイナミクスの固有な多様体を固定するために、**健常対照（HC）**データのみを用いて訓練される。このストリームは、2つの補完的なモデルで構成される：

1. VQ-VAE (Vector-Quantized Variational Autoencoder)： 信号の離散的な構造形態をモデル化する。これは、「健康な基底原子（healthy basis atoms）」の有限集合（コードブック）を学習する。再構成誤差（$L'_{VQ}$）は、構造的な偏差を定量化する。
2. DDPM (Denoising Diffusion Probabilistic Model)： 背景ノイズの連続的な確率分布をモデル化する。拡散損失（$L'_{Diff}$）は、確率的な背景における統計的なシフトを定量化する。

これらのモデルは、HCデータでの訓練後に凍結される。任意の入力に対し、これらは複合的な異常スコア $S$ を算出する：
$$S = \alpha L'_{VQ} + (1 - \alpha) L'_{Diff}$$
ここで $\alpha=0.7$ と設定されており、構造的誤差を優先している。このスコアは、5パーセンタイルと95パーセンタイルを用いてロバストに正規化され、有界な事前分布 $S' \in [0, 1]$ を生成する。

B. 教師ありストリーム（特徴融合および分類）

このストリームは、入力されるEEGセグメント（MDDおよびHCの両方）を以下の3段階で処理する：

1. クロス電極空間適応： ハードウェアの不均一性を扱うため、任意の高密度信号を球面スプライン補間を用いて標準的な19電極レイアウト（国際10-20システム）に投影する。これにより、アーキテクチャの再学習なしでのゼロショット転移が可能になる。
2. ハイブリッド特徴抽出器： 1D-CNNが局所的な時間的形態特徴を捉え、続いてTransformerエンコーダが長距離のグローバルな依存関係をモデル化し、深い特徴ベクトル $F_{deep}$ を生成する。
3. スコア誘導型特徴融合： 正規化された異常スコア $S'$ は、最終的なMLP分類器の前に $F_{deep}$ と明示的に結合される。これにより、ディープな表現と病理学的事前分布が融合され、決定境界が動的に校正される。

訓練戦略

小標本領域における過学習を軽減するため、著者らは以下を採用している：

• コサインアニーリングによる学習率スケジューリング。
• 過剰な自信を防ぐためのラベルスムージング。
• ゼロ拡張設定（Zero-Augmentation Setting）： 本モデルは、合成サンプルを一切生成せずに訓練される。

3. 主な貢献

1. 拡張フリーのフレームワーク： SGCは、生の信号を幻覚（ハルシネーション）させるのではなく、規範的なベースラインをモデル化することで、生成の有用性を再定義し、合成ノイズ注入のリスクを効果的に回避する。
2. デュアルストリーム病理学的事前分布： 構造的量子化（VQ-VAE）と確率的拡散（DDPM）を相乗させることで、形態学的歪みと統計的ドリフトの両方を捉える包括的な異常スコアを構築する。
3. ハードウェアに依存しない汎化性能： 提案された空間トポロジーマッピング戦略は、クロスコーホート間の電極の不一致を解決し、異なるチャンネル構成を持つデータセット間でのシームレスなゼロショット転移を可能にする。

4. 実験結果

実験は、Mumtaz2016（19電極、34 MDD/30 HC）およびMODMA（128電極、24 MDD/29 HC）のデータセットを用いて行われた。

• 最先端の性能： Mumtaz2016において、SGCは95.19%の精度を達成し、従来のディープラーニングモデル（例：DeprNet: 89.84%）や、最高の生成拡張手法であるDiffMDD（93.85%）を上回った。
• ゼロショット汎化： クロスデータセット評価（Mumtaz2016で訓練し、微調整なしでMODMAでテスト）において、SGCは78.50%の精度を維持した。対照的に、既存のSOTAモデルは壊滅的な低下を示した（例：GC-GRUは55.40%、DiffMDDは68.34%まで低下）。
• 臨床的安全： SGCはゼロショット転移において**75.34%の再現率（Recall）**を達成し、ベースライン（Recall $\le$ 61%）を大幅に上回った。混同行列の分析により、SGCは生成的な拡張手法が抱えていた偽陰性（見逃し）を排除していることが示された。
• アブレーション研究：
  • 構造的ストリームまたは分布的ストリームのいずれかを削除すると、どちらも性能が低下し、両者の相補性が確認された。
  • 特徴レベルの融合を決定レベルの融合に置き換えると、ゼロショット性能が大幅に低下した（78.50%から69.69%へ）。これは、事前分布を特徴として注入する必要性を証明している。
  • 高度な生成ヒューリスティック（ハードネガティブマイニング、アーティファクト除去）との比較により、SGCの事前分布マイニング・アプローチが、サンプルの合成を根本的に凌駕していることが示された。

5. 意義と主張

本論文は、EEG解析における従来の「データ量第一」の慣習は、合成データが決定境界をぼやけさせるアーティファクトを導入するため、欠陥があると考えている。合成の量よりも特徴の完全性に焦点を当てることで、SGCは以下を実証している：

• 明示的な病理学的事前分布は、少数のサンプルによる学習において、生成的なデータ拡張よりも堅牢である。
• 異常スコアリングは、分類器を導くための強力でノイズのないメカニズムとして機能し、背景の分散から真のバイオマーカーを効果的に分離する。
• ハードウェアに依存しない汎化は、幾何学的な投影を通じて達成可能であり、再学習なしでのマルチセンターでの臨床展開を可能にする。

著者らは、SGCが複雑な時系列データの信頼できる診断経路を確立し、生成的な（誤解を招く可能性のある）合成データではなく、不変的な病理学的多様体の抽出を優先することを結論づけている。今後の課題として、ハードウェアの不均一性をさらに埋めるための教師なしドメイン適応（UDA）の統合が挙げられている。