GenFAR: A generalized representation of brain structure, derived from 49,246 multi-cohort MRIs via deep learning
GenFARは、49,246件のマルチコホート脳MRIを用いた逐次的なアプローチによって学習されたモジュール式のディープラーニングフレームワークであり、ダウンストリームの神経画像タスクにおけるサンプル効率と精度を大幅に向上させる、汎用的かつ臨床的に情報に基づいた表現を導出するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、ロボットに人間の脳を理解させる方法を教えようとしていると考えてみてください。長年、科学者たちは「専門家」ロボットを作り続けてきました。腫瘍を見つけることに長けたもの、年齢を推測することに優れたもの、あるいは高血圧の有無だけを判別できるものといった具合です。これらの専門家は、それぞれの仕事には非常に優秀ですが、自分が持っている知識を共有することに関しては全くダメなのです。もし新しい病気を予測するロボットを作ろうと思ったら、ゼロからスタートして、膨大な量のデータを集め、最初から学習し直さなければなりません。これは時間がかかり、コストも高く、数百万枚もの脳スキャンデータがなければ不可能なこともよくあります。
現在の医療画像分野は、この「専門家モード」で行き詰まっています。しかし、言語や写真といった他の人工知能の分野では、科学者たちは「基盤モデル」の構築を始めています。これは、まず広範なパターンを学習してから、特定の仕事に合わせて微調整できる、巨大で汎用的な目的を持つ「脳」のようなものです。脳研究における大きな疑問は、「私たちは医療スキャンのための同様の一般的な脳を構築できるだろうか？」ということです。もしそれが実現すれば、モデルはすでに脳がどのように見え、どのように変化するかという基本を理解しているため、ごくわずかな新しいデータからでも学習できるようになります。これこそが、この論文が取り組んでいる課題です。つまり、一つのスマートなシステムを作り上げ、多くの異なる脳関連のタスクを同時に学習させることで、医師や科学者がより少ないデータで新しい問題をより速く解決できるようにすることです。
GenFARをご紹介しましょう。これは、医療画像のための「スーパーチャージされた司書」のように機能する、新しい種類の「脳の脳」です。17個の異なる本を読むために17人の異なる専門家を雇う代わりに、研究者たちは、それらすべての本を同時に読む、一つの巨大でモジュール化された図書館を構築しました。彼らはこのシステムに、11の異なるグループの人々から得られた49,246件の脳MRIスキャンを読み込ませ、年齢や教育レベルの予測から、糖尿病、高血圧、あるいはアルツハイマー病の初期兆候の有無に至るまで、あらゆることを学習させました。
研究者たちは、この図書館を訓練するために2つの異なる方法を試しました。最初の方法は、17人の学生が別々の部屋で勉強しているようなものでした。彼らは同じ本を読んでいますが、互いに会話することはできません。これはまあまあ機能しましたが、非効率的でした。2番目の方法は、勝者となった方法で、リレーレースのようなものでした。この「逐次的（sequential）」なアプローチでは、学生たちは特定の順序に従って学習します。最初の学生が生の脳スキャンから学び、そのノートを2番目の学生に渡し、2番目の学生が独自の洞察を加え、といった具合に進んでいきます。ノートが最後の学生に届く頃には、そこにはその脳が語りうるあらゆる情報の、巨大で豊かな要約が出来上がっています。
チームは、完璧なリレーチームの人数は6人の学生であることを見出しました。もし、この列にさらに多くの学生を追加しようとすると、ノートが乱雑で混乱した状態になり（オーバーフィッティングと呼ばれる問題）、最終的な要約の精度が低下してしまいました。また、彼らはどの学生が優れた「知識のドナー（提供者）」であるかも突き止めました。年齢、アルツハイマー病/軽度認知障害、記憶テストのスコア（MMSE）、そして高血圧や高脂血症といった疾患の予測といったタスクがスーパースターでした。これらのタスクは、他のタスクに対して最も有用な情報を提供しました。実際、人の年齢を学習することは非常に効果的であり、モデルが解決しようとしたほぼすべての他のタスクの性能を向上させました。
GenFARの魔法は、単にこれらのことを学んだことではなく、見たこともない「新しい問題」に対して、その知識をどれほど上手く使えるかという点にあります。研究者たちは、一つのタスク（例えば喫煙状態の予測）を隠し、そのタスク以外のものだけで訓練されたモデルが、隠されたタスクを正しく推測できるかどうかをテストしました。結果は目覚ましいものでした。逐次的なモデルは、その特定のタスクのデータで直接訓練されたモデルよりも、隠されたタスクを推測することに優れていました。さらに重要なことに、このモデルは驚異的な「サンプル効率」を持っていました。通常、ディープラーニングが新しい技術を学ぶには何千もの例が必要ですが、GenFARは、わずか100から500の例だけで新しいタスクを学ぶことができました。標準的なモデルでは、これほど少ないデータでは失敗するか、パフォーマンスが低くなってしまいます。
この論文は、学習のシーケンス（順序）が長ければ長いほど常に良いという考えを明確に否定しています。彼らは、6つのタスクを超えるとパフォーマンスが低下することを発見しました。また、すべてのタスクが有用なドナーであるわけではないことも分かりました。「Total-Tau CSF」（特定のタンパク質マーカー）や「喫煙」のようなタスクから学習しようとすると、モデルの性能を悪化させてしまいました。これは、データが不足していたか、あるいは脳の信号が有用性を発揮するには弱すぎたためと考えられます。著者たちは、5,000通りのランダムなシーケンスをテストすることで、6がスイートスポット（最適解）であること、そして「ドナー・スコア」という指標が、どのタスクが助けになり、どのタスクが妨げになるかを正確に予測することを証明しており、自らの発見に強い自信を持っています。
結局のところ、研究者たちはこのツールを自分たちだけのものにはしませんでした。彼らはモデルとコードを公開し、誰でも脳スキャンを用いて、スーパーコンピューターを必要とせずに、これらの強力で汎用的な特徴を抽出できるようにしました。バラバラで単一目的のモデルの山を、一つの結束した知識共有システムへと変えることで、GenFARは、脳画像の未来が「まず広く学び、それによって、これまで考えられていたよりもはるかに少ないデータで脳の秘密を解明する」モデルにあることを示唆しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。