Rethinking EEG-Based Disease Diagnosis: Decoupling Instance Representation Learning from Subject-Level Supervision

あなたは、一つの容疑者を尋問するのではなく、何百もの微細で断片的な「ささやき」から物語全体を組み立てなければならない、謎を解こうとする探偵だと想像してください。これが、EEG（脳波）に基づく疾患診断の世界です。脳波計（EEG）は、頭皮に置かれたハイテクなマイクのようなもので、脳の電気的な「おしゃべり」を記録します。医師はこれらの記録を使用して、アルツハイマー病やうつ病といった神経学的疾患の兆候を見つけ出します。厄介なのは、脳はその秘密を一度に大声で叫ぶのではなく、短時間のバースト（塊）として「ささやく」という点です。

従来、コンピュータプログラム（AI）は、あらゆる単一のささやきを個別の手がかりとして扱うことで、この問題を解決しようとしてきました。彼らは長い記録を1秒ごとの小さなスライスに切り刻み、そのすべてのスライスに同じ「病気」または「健康」というラベルを貼り付け、各スライスに対して個別にラベルを推測するようにAIを訓練しました。これは、ある人の発するすべての言葉が、謎を解くために等しく重要であると仮定するようなものです。しかし、ここには落とし穴があります。いくつかのささやきは単なる背景ノイズである一方、他のささやきは鍵を握っているかもしれないのです。もしAIがノイズによって混乱してしまったら、物語全体を見誤ってしまうかもしれません。この論文は、「AIにすべての小さなスライスのラベルを推測させるのをやめて、まずは会話全体を聴かせる方法はないだろうか？」と問いかけることで、この混乱に対処しています。

---

問題点： 「コピー＆ペースト」の罠

長い間、AIに脳波を読ませるための標準的な方法は、まるで怠惰な教師が学生のワークブックのすべてのページに同じ解答例をコピーしているようなものでした。患者に疾患がある場合、コンピュータは、その人の脳波記録の「あらゆる一秒」が、その人が病気であることを証明していると教えられていました。これは「継承ラベル学習（inherited-label training）」と呼ばれます。

問題は、脳のスキャンにおけるすべての秒が等しく有用であるわけではないという点です。ある瞬間は明確な疾患信号に満ちているかもしれませんが、他の瞬間は脳が休息していたり、空想にふけっていたりするだけかもしれません。AIに、すべての秒が疾患の完璧な例であると強制することで、コンピュータは混乱してしまいます。AIは、全スライスがどのように連携して物語全体を伝えるかを理解するのではなく、単一のスライスのラベルを予測することに習熟してしまうのです。

一方で、**複数インスタンス学習（Multiple Instance Learning: MIL）**と呼ばれる手法もあります。これはより賢明です。患者全体を脳スライスの「バッグ（袋）」として扱い、バッグ全体に対する最終的な診断のみを見ます。個々のスライスにラベルを強制することはありません。しかし、このアプローチにも欠点があります。医療データセットでは、数千の脳スライスがある一方で、患者数は非常に少ないことがよくあります。それは、実際の会話がわずか5語しかない辞書を読んで言語を学ぼうとするようなものです。AIは、学習できる患者がごくわずかしかないため、何が良い脳スライスであるのかを学ぶのに苦労します。

解決策： BridgeMIL

著者であるZhiyuan Ma氏とそのチームは、この二面的な問題を解決するために、BridgeMILと呼ばれる新しいシステムを構築しました。彼らは、個々のスライスに対して疾患ラベルを推測させることなく、AIに脳スライスがどのようなものかを教える方法が必要であると気づきました。そして、その知識を用いて患者レベルの謎を解くのです。

彼らは、二つの島を結ぶ橋を架けるように、二段階でこれを行いました。

ステージ1：「聴いて学ぶ」フェーズ
まず、彼らは疾患ラベルを一切見せることなく、AIに脳波を理解することを教えました。彼らは巧妙なトリックを用いました。AIに対し、「1秒前の脳スライスと今のスライスは、同じ人物のものであるため、似ていなければならない」と伝えました。また、「同じ人物の記録からランダムに2つのチャンクを取り出した場合、それらは共通の特徴を共有すべきである」とも伝えました。

AIが単に「すべては同じである」と言うだけにならないよう（これは「崩壊（collapse）」と呼ばれる問題です）、AIの脳を活性化させ、多様性を保つための特別なルールを追加しました。これは、楽譜全体の曲を丸暗記するのではなく、曲の異なる部分を聴くことで、音楽家がリズムを認識できるように訓練するようなものです。このステージにより、AIはラベル付けされた少数の患者からだけでなく、利用可能なすべての脳スライスから学習することができます。

ステージ2：「探偵」フェーズ
AIが脳スライスを理解できるようになったら、その知識を最終的な探偵の仕事へと「転移」させます。今や、AIは患者のすべてのスライスを見渡し、スマートなアテンション（注意）システムを使用して、どのスライスが最も重要な手がかりであるかを判断します。決定的なのは、AIは（疾患か否かという）「最終的な答え」に対してのみ修正を受けるということであり、個々のスライスに対して修正を受けることはありません。AIが最終的なパズルを解こうとしている間に、ステージ1で学んだことを忘れてしまわないよう、「特徴保持（feature retention）」ルールを追加しました。これは、AIに対して「脳スライスの理解を大きく変えすぎず、それらの重み付けを調整するだけに留めなさい」とリマインドするセーフティネットとして機能します。

得られた成果

チームは、アルツハイマー病、うつ病、パーキンソン病の3つの異なる脳疾患データセットを用いて、BridgeMILのテストを行いました。彼らは、従来の「コピー＆ペースト」的な手法や、標準的な「バッグ」による手法と比較しました。

結果は驚くべきものでした。BridgeMILは、15の異なるテストシナリオのうち14でトップの成績を収めました。平均して76.57%の精度を達成し、これは次に優れた手法よりも4.28パーセントポイント高い数値です。これは、医療AIの世界においては極めて大きな飛躍です。

しかし、論文は単に「より良く機能する」という点にとどまりませんでした。彼らは、なぜそうなるのかを知るために、さらに深く掘り下げました。

• すべての手がかりが等しいわけではない： すべてのスライスにラベルを付けるという古い手法は、確かに信頼性に欠けることが分かりました。一部のスライスは診断に非常に有用ですが、他のスライスは誤解を招く可能性があります。BridgeMILは、悪いスライスを無視することを学びました。
• スライスよりも患者が重要： 患者が少ない場合と、脳スライスが少ない場合で何が起こるかをテストしました。その結果、患者（被験者）が少ないことは、脳スライスが少ないことよりも、AIのパフォーマンスをはるかに大きく低下させることが分かりました。これは将来、単に脳波の記録を長く録るよりも、より多くの人々を研究に参加させることがより重要であることを示唆しています。
• より優れた組織化： AIの内部的な「脳」は、より組織化されました。異なる疾患タイプは、より明確で分離されたクラスターを形成し、それらを識別することを容易にしました。

まとめ

この論文は、脳疾患を診断するためにAIを教える最善の方法は、記録のあらゆる微細な瞬間に対してラベル付けを強制することではないと示唆しています。代わりに、まず利用可能なすべてのデータから脳波の「言語」を学ばせ、それから特定の疾患に関する手がかりを聴き取る方法を教えるべきなのです。脳の信号の学習と最終的な疾患ラベルを切り離すことで、BridgeMILは神経学的健康を理解するための、より強固で信頼できる架け橋を築いています。これは、大きな謎を解くためには、一つひとつの言葉に執着するのをやめ、物語全体に耳を傾ける必要があるということを思い出させてくれます。