Data quality biases normative models derived from fetal brain MRI

あなたは、お腹の中の赤ちゃんの脳がどのように成長していくのか、その地図を描こうとしているところだと想像してください。この地図を正確なものにするために、科学者たちは「規範的モデリング（normative modeling）」という手法を用いています。これは、身長や体重の「成長曲線」を作ることに似ています。ただし、脳の構造におけるものです。もし赤ちゃんの脳が「平均」のライン上にあれば、それは典型的な発達をしていることを意味し、もしラインから大きく外れていれば、特別な注意が必要かもしれません。

このチャートを作成するには、膨大なデータが必要です。例えば、さまざまな段階にある赤ちゃんの写真を何千枚も撮るようなものです。あなたが尋ねている論文は、非常に具体的な問いを投げかけています。**「もし、その写真のいくつかがぼやけていたらどうなるか？」**ということです。

問題点：「ぼやけた写真」の影響

胎児のMRIスキャンは、赤ちゃんがお母さんのお腹の中で動いているため、非常に難しい技術です。そのため、結果として得られる画像が鮮明なこともあれば、少しぼやけていたり「ノイズ」が混じっていたりすることもあります。

研究者たちは、さまざまな病院から635件のスキャンを集めました。彼らは厳格な美術評論家のように振る舞い、すべての画像を品質のスケールに基づいて評価しました。そして、2つの異なる方法で脳の成長曲線を作成しました。

1. 厳格な方法： クリスタルクリアで高品質な画像のみを使用した。
2. 寛容な方法： 「まあ、データは多ければ多いほど良いだろう」と考え、ぼやけた低品質な画像も混ぜてみた。

発見：データが多いことが常に良いとは限らない

研究の結果、驚くべき展開がありました。ぼやけた画像を混ぜ合わせると、成長曲線は単に少し不明瞭になるだけでなく、歪んでしまったのです。

ここで比喩を使ってみましょう。人々の平均的な身長を推測しようとしている場面を想像してください。

• もし、完璧な定規を使って100人を測定すれば、正確な平均が得られます。
• もし、さらに1,000人を追加したとしても、その人たちの測定に、わずかに曲がったり伸びたりした定規を使ったとしたら、新しい「平均」は間違ったものになるでしょう。

この研究における「曲がった定規」とは、画像の質の低さのことでした。低品質なスキャンを含めたことで、結果として得られた成長曲線は変化してしまいました。最も危険な部分は、チャートの極端な部分――つまり、グラフの最上部と最下部において起こりました。

「裾（テール）」の問題

この論文は、チャートの下端（第1〜第10パーセンタイル）が最も影響を受けたことを具体的に指摘しています。

• これが意味すること： もし赤ちゃんの脳が、実際には小さいものの健康な状態であったとしても、歪んだチャートのせいで、実際よりもさらに小さく見えてしまったり、逆に、本来は小さな脳が（チャート全体が下に引っ張られたことで）「正常」に見えてしまったりする可能性があります。
• 目に見えないズレ： 研究者たちは、個々の脳のスキャンを見ただけでは、このエラーに気づけないことが多いということを発見しました。画像自体は肉眼では問題なさそうに見えても、それらをコンピュータモデルに入力すると、計算が狂ってしまうのです。

大きな教訓

この論文からの主な教訓はシンプルです。**「量より質」**です。

脳がどのように成長するかを示す信頼できる地図を作ろうとしているなら、ほとんどがぼやけた写真で作られた巨大な地図よりも、完璧で鮮明な写真で作られた小さな地図の方が優れています。ぼやけた写真を増やすことは、単に「情報を増やす」ことではありません。それはゲームのルールを積極的に汚染し、助けを必要としている赤ちゃんを見つけ出すためのチャートとしての有用性を損なってしまうのです。

要するに、これらの胎児脳モデルにおいては、**「少数の良い写真は、多数の悪い写真よりも価値がある」**のです。