eyeris: A flexible, extensible, and reproducible pupillometry preprocessing framework in R

本研究は、fMRI や EEG 分野で標準化されているツールに匹敵する、FAIR 原則に準拠し、モジュール化・透明性・拡張性を備えたオープンソースの R パッケージ「eyeris」を開発し、瞳孔計測データの再現性のある前処理と品質管理を可能にする枠組みを提案したものである。

要約

この論文は、**「eyeris（アイリス）」**という新しいツールについて紹介しています。

一言で言うと、**「瞳孔（瞳）の動きを調べる研究を、誰でも簡単で正確に、そして誰がやっても同じ結果が出るようにするための『魔法の調理器具』」**です。

少し詳しく、わかりやすく説明しましょう。

1. なぜこのツールが必要なの？（背景）

人間の瞳の大きさは、集中力、ストレス、感情、眠気など、脳がどう動いているかを映し出す「窓」のようなものです。これを「瞳孔計測」と呼びます。

しかし、これまでこのデータを分析するには大きな問題がありました。

• レシピがバラバラ： 研究者 A は「こうやって洗う」、研究者 B は「こうやって切る」と、人によってデータの処理方法が全く違いました。
• 結果が不安定： 处理方法が違えば、同じデータから「集中していた」という結論が出たり、「眠かった」という結論が出たりして、研究の信頼性が揺らぎました。
• 難しすぎた： 専門的なプログラミング知識がないと、正しい処理ができず、間違った結果を出してしまう「落とし穴」が多かったです。

脳波（EEG）や脳画像（fMRI）の研究には、すでに「fMRIPrep」のような標準化された便利なツールがありましたが、瞳孔の研究にはそれがありませんでした。

2. 「eyeris」って何？（解決策）

そこで開発されたのが、**「eyeris」**という R というプログラミング言語で作られたツールです。

これを**「自動調理ロボット」**に例えてみましょう。

• 生の食材（生データ）を入れる： 瞳孔計測器から出てきた、ノイズだらけの生データを放り込みます。
• 自動で下ごしらえ：
  • まぶたの瞬き（ノイズ）を除去： 瞬きでデータが切れている部分を、自動で補修します（「 blink removal」）。
  • 急なスパイクを消す： 頭を動かした時のような不自然な飛び出しを消します（「artifact removal」）。
  • なめらかにする： ざらざらしたデータを滑らかにします（「フィルタリング」）。
  • 味付け（正規化）： 人によって瞳の大きさが違うので、全員を公平に比較できるように調整します（「z-score」）。
• 完成品（分析用データ）が出てくる： 最終的に、分析-ready なきれいなデータが出力されます。

3. このツールのすごいところ（特徴）

① 「ガラス箱」設計（透明性）

多くのツールは「ブラックボックス（中身が見えない箱）」で、中がどうなっているか分かりません。でも、eyeris は**「ガラス箱」**です。

• どの工程で何をしたか、すべて見えます。
• 「ここをこう変えたい」と思えば、パラメータ（設定）を簡単に変えられます。
• 初心者は「自動モード」で、上級者は「自分好みにカスタマイズ」もできます。

② 品質管理レポート（おまけのアルバム）

データを処理するだけで、**「処理前のデータ」と「処理後のデータ」を比較できる美しいレポート（HTML ファイル）**が自動で作られます。

• これを見れば、「瞬きの処理がうまくいったか」「ノイズは取れたか」を一目で確認できます。
• 数千件のデータがあっても、このレポートを見ながら「これは怪しいな」というデータだけを素早く見つけ出せます。

③ 大規模データも楽々（データベース機能）

何百人もの参加者のデータを扱う場合、ファイルが散らばって管理が大変です。eyeris は**「データベース」**機能も持っています。

• 何千ものファイルを一つにまとめて管理でき、必要な部分だけをサクッと取り出せます。
• 将来、他の研究者とデータを共有する際も、このツールを使えば「FAIR（見つけやすく、アクセスしやすく、共有しやすい）」な形になります。

4. まとめ

eyerisは、瞳孔の研究を「職人の勘」や「手作業」に頼る時代から、**「標準化された、透明で信頼性の高い科学」**へと進化させるためのツールです。

• 初心者でも： 3 行のコードで、プロ並みのデータ処理ができます。
• 研究者なら： 「なぜこの結果が出たのか」を誰にでも説明できるようになり、研究の再現性（誰がやっても同じ結果が出るか）が劇的に向上します。

つまり、**「瞳の動きという、脳への小さな窓を、より鮮明に、より信頼して見られるようにするレンズ」**のような存在なのです。

技術概要

以下は、提供された論文「eyeris: A flexible, extensible, and reproducible pupillometry preprocessing framework in R」の技術的な要約です。

1. 問題背景 (Problem)

瞳孔計測（Pupillometry）は、覚醒、注意、ストレス、感情状態などの認知プロセスや自律神経プロセスを非侵襲的に読み取るための重要な手段として確立されています。しかし、fMRI（fMRIPrep）や EEG（EEGLAB, MNE-Python）といった他の神経イメージング分野に比べて、瞳孔計測データの前処理には以下のような重大な課題が存在していました。

• 標準化されたフレームワークの欠如: 既存のツールは特定の分析プロジェクトに特化していたり、柔軟性が高すぎて研究者が前処理の順序やパラメータを恣意的に選択しやすく、再現性が損なわれる傾向がありました。
• FAIR 原則への未対応: 多くの既存ソリューションは、発見可能性、アクセス可能性、相互運用性、再利用性（FAIR）の原則に基づいて設計されていませんでした。
• 「分岐経路」の問題: 前処理の自由度が高いと、研究者が意図せず異なる前処理経路を選択し、結果として偽陽性（Type I エラー）や再現性の危機を引き起こす「分岐経路（garden of forking paths）」の問題が発生します。
• 品質管理の難易度: 個々の試行レベルでのデータ品質管理や、前処理の全過程を可視化・記録する統合的なツールが不足していました。

2. 方法論 (Methodology)

著者らは、これらの課題を解決するために、R 言語ベースのオープンソースパッケージ「eyeris」を開発しました。このパッケージは、以下の特徴を持つ「ガラスボックス（Glass-box）」設計を採用しています。

• 統合的な前処理パイプライン (glassbox() 関数):
  研究者が推奨される順序で前処理ステップを実行できる、意見を持った（opinionated）かつ完全透明なパイプラインを提供します。主要なステップは以下の通りです。

  1. データ読み込み (load_asc): EyeLink 形式（.asc）の生データを読み込み、イベントメッセージやバリンク（瞬き）情報を抽出。
  2. バリンク除去 (deblink): 瞬きによる欠損データと、その前後の部分的な遮蔽アーティファクトを除去（NA パディング）。
  3. 過渡的アーティファクト除去 (detransient): 追跡不安定や頭部移動による急激な速度変化（スパイク）を、速度閾値（MAD 統計量に基づく）で検出・除去。
  4. 線形補間 (interpolate): 除去された欠損部分を線形補間で埋め、連続した時系列を復元。
  5. ローパスフィルタリング (lpfilt): バタワースフィルタ（デフォルト：通過帯域 4Hz, 阻止帯域 8Hz）を適用し、生理学的に無関係な高周波ノイズを平滑化。
  6. ダウンサンプリング/ビンニング (downsample, bin): サンプリング周波数の調整。
  7. トレンド除去 (detrend): 時間経過に伴う緩やかなドリフトの除去（デフォルトでは無効、研究課題に応じて有効化可能）。
  8. Z スコア化 (zscore): 参加者間やセッション間の絶対値の差を補正し、相対的な変動に焦点を当てるため、平均 0・標準偏差 1 に正規化（デフォルトで有効）。

• モジュール性と拡張性:
  各ステップは個別のモジュール関数としても利用可能であり、研究者は独自のカスタム処理をパイプラインに統合できます（pipeline_handler() を使用）。

• 対話型・バッドレスモード:

  • 対話モード: 各ステップごとの前処理前後のプロットを表示し、パラメータの最適化を支援。
  • バッドレスモード: クラウドクラスターなどでの大規模データ処理を自動化。

• データ管理と可視化:

  • BIDS 類似構造: 前処理結果を BIDS（Brain Imaging Data Structure）に準拠したディレクトリ構造で出力。
  • インタラクティブな診断レポート: 各参加者・各試行レベルの品質管理を可能にする HTML レポートを自動生成。
  • データベース統合: DuckDB を使用した統合データベースバックエンドを提供。大規模データセットの効率的な管理、クエリ、共有を可能にします。

3. 主な貢献 (Key Contributions)

• 瞳孔計測研究初の標準化パイプライン: EEG や fMRI 分野で標準となっているような、透明性が高く再現性の高い前処理ワークフローを初めて提供。
• 「ガラスボックス」設計: 前処理の「黒箱化」を防ぎ、各ステップの処理内容とパラメータを研究者が完全に理解・制御できるように設計。
• FAIR 原則の実装: 前処理の履歴、パラメータ、診断レポートを自動的に記録・保存し、データの発見可能性と再利用性を担保。
• スケーラビリティ: CSV ファイルの管理に依存せず、DuckDB を活用することで、数百〜数千の被験者を含む大規模研究やクラウド環境での処理を可能に。
• メタデータ解析機能: イベントメッセージから試行番号や刺激条件などのメタデータを自動的に抽出し、 tidy 形式のデータフレームに統合する機能（epoch() 関数）。

4. 結果 (Results)

• 実用的なワークフローの確立: 生データから分析可能なデータまでを、数行のコード（glassbox() 関数の呼び出し）で処理可能に。
• 品質管理の効率化: 自動生成される HTML レポートにより、数千の試行にわたるデータ品質を効率的に確認・評価可能となり、不良データの個別排除を容易にしました。
• 再現性の向上: 前処理の全履歴（使用したパラメータ、ステップの順序など）が標準化された形式で記録されるため、研究の再現性が大幅に向上します。
• 柔軟なカスタマイズ: 開発者向けに、独自の前処理ステップを標準パイプラインにシームレスに統合する仕組みを提供し、コミュニティによる拡張を促進。

5. 意義 (Significance)

eyeris は、瞳孔計測研究における「再現性危機」に対処するための重要なインフラストラクチャを提供します。

• 標準化: 研究者が恣意的な前処理選択に陥ることを防ぎ、科学的推論の信頼性を高めます。
• アクセシビリティ: プログラミング経験の浅い研究者でも、推奨されるベストプラクティスに基づいた高品質な前処理を実行できます。
• 大規模研究への対応: 大規模データセットの管理と共有を容易にし、瞳孔計測を用いた認知神経科学や臨床研究（例：アルツハイマー病の早期診断など）の発展を加速させます。
• オープンサイエンスの推進: 前処理プロセスの完全な透明性と、共有可能な診断レポートにより、オープンサイエンスの実践を促進します。

結論として、eyeris は瞳孔計測データの前処理において、fMRIPrep が fMRI 分野で果たしたのと同様の役割を果たすことを目指しており、この分野の研究方法論を大きく前進させるものです。