Protocol Update: The Normative Modelling Paradigm for Computational Psychiatry

本論文は、計算精神医学における規範モデリングの手法的進展を概観し、2022 年版の標準化プロトコルをフェデレーテッド学習や縦断モデルに対応させて改訂するとともに、オープンソースツール PCNtoolkit を用いた実践的ガイドと最新モデルを提供するものである。

要約

この論文は、**「脳の成長曲線（ノーマティブ・モデリング）」**という新しい考え方を、より使いやすく、強力なツールとしてアップデートした「取扱説明書」のようなものです。

専門用語を抜きにして、わかりやすい例え話で解説します。

🧠 1. 従来の方法 vs 新しい方法：「平均値」から「成長曲線」へ

【昔のやり方：クラス分け】
これまでの精神医学の研究は、よく「クラス分け」をしていました。
「健康な人（A 組）」と「病気の人のグループ（B 組）」に分けて、その平均を比べて「B 組は脳が小さいね」と結論づけるのです。

• 問題点： 人間はみんな違います。A 組の中にも「脳が少し小さい人」がいたり、B 組の中にも「脳が大きい人」がいたりします。この「平均」だけを見ると、個々の人の特殊性が見えてきません。

【新しいやり方：成長曲線】
この論文で紹介されている「ノーマティブ・モデリング」は、**子供の身長や体重の「成長曲線」**に似ています。

• 10 歳の子供が身長 120cm なら、それは「平均」かもしれません。
• でも、10 歳で 120cm なら「平均の 50%」ですが、15 歳で 120cm なら「平均の 5%」以下（背が低い）と判断できます。
• このツールは、**「年齢」「性別」「場所（病院）」などの情報を考慮して、「その人にとっての正常な範囲（パーセンタイル）」**を計算します。
• 結果： 「この人の脳は、同年代・同性の健康な人の 95% よりも小さい（あるいは大きい）」という、個人に特化した診断が可能になります。

🛠️ 2. この論文の目的：「PCNtoolkit」のバージョンアップ

この論文は、この「成長曲線」を作るためのソフトウェア**「PCNtoolkit」**のバージョン 1.0 へのアップデート報告です。
以前のバージョン（2022 年）から、以下のような「新機能」や「改良」が加わりました。

• 🌧️ 雨や雪の予測も可能に（非ガウス分布）：
  脳のデータは、いつも「鐘の曲線（正規分布）」を描くとは限りません。偏っていたり、形が変だったりします。新しいツールは、そんな「変な形」のデータも正確に扱えるようになりました。
• 📈 時間の流れを追う（縦断モデル）：
  単に「今、どこにいるか」だけでなく、「過去から現在まで、どう変化してきたか」を追跡できます。
  • 例え話： 単に「背が低い」だけでなく、「成長曲線を下回って、さらに急激に縮んでいっている（成長が止まっている）」かどうかを判断できるようになります。
• 🔒 秘密を守りながら協力する（フェデレーテッド・ラーニング）：
  病院 A と病院 B がデータを共有できない場合（プライバシーの問題）、データをそのまま送らずに「学習済みモデル」だけをやり取りして、一緒に大きな成長曲線を作る技術が導入されました。
  • 例え話： 各自が「レシピ（モデル）」を改良し合い、最終的に「完璧な料理（成長曲線）」を完成させるが、誰の「食材（患者データ）」も持ち出さない状態です。

🗺️ 3. 具体的な使い道：どう役立つのか？

このツールを使うと、以下のようなことが可能になります。

1. 個人の「偏差値」を知る：
   特定の患者さんが、健康な集団のどのあたりに位置しているかを数値化（Z スコア）できます。
2. 病気の「異質性」を解き明かす：
   「うつ病」という診断名でも、脳の変化のパターンは人それぞれです。このツールを使えば、「タイプ A のうつ病」と「タイプ B のうつ病」のように、脳の変化のパターンごとにグループ分けできるかもしれません。
3. 治療の効果を測る：
   治療前と治療後で、その人の「成長曲線からのズレ」がどう変わったかを追跡できます。「薬を飲んだら、曲線に近づいてきた！」といった変化を捉えられます。

🚀 4. まとめ：なぜこれが重要なのか？

この論文は、**「精神疾患を『病気か健康か』という二択で見る時代から、『一人ひとりの脳の成長曲線からのズレ』を精密に測る時代へ」**と、分野を大きく前進させるための「新しい地図とコンパス」を提供したものです。

• 従来の地図： 「ここは山（病気）、ここは平地（健康）」と大まかに分けるだけ。
• 新しい地図（この論文）： 「あなたの今の位置は、標高 1000m の山頂ですが、同年代の平均は 800m です。さらに、過去 1 年で急激に上昇しています」と、個人に特化した精密なナビゲーションを提供します。

これにより、精神医療は「画一的な治療」から、**「その人に最適な精密医療（プレシジョン・メディシン）」**へと進化していくことが期待されています。

技術概要

論文概要：計算精神医学における規範的モデリング（Normative Modelling）の最新プロトコルと PCNtoolkit v1.x.x の紹介

1. 背景と課題（Problem）

計算精神医学の主要な目標の一つは、精神疾患の信頼性の高いバイオマーカーを開発することです。しかし、従来の「症例対照研究（Case-Control）」アプローチには重大な限界があります。

• 課題: 精神疾患の生物学は連続的で不均質（heterogeneous）であるのに対し、従来の手法はカテゴリー的かつ硬直的な仮定に基づいているため、個体の多様性を捉えきれません。
• 必要性: 集団平均の比較ではなく、個々の患者が「正常な発達軌道」からどの程度逸脱しているかを定量化する「個体レベルの分析」への移行が求められています。
• 技術的課題: 規範的モデリング（Normative Modelling: NM）は既に確立されつつありますが、非ガウス分布データ、縦断データ、データプライバシーを考慮した分散学習（フェデレーテッドラーニング）など、近年の手法革新に対応した標準化されたプロトコルとソフトウェアの更新が必要でした。

2. 手法とアプローチ（Methodology）

本論文では、オープンソースの Python パッケージ**「PCNtoolkit（バージョン 1.x.x）」**の再構築と、それを用いた標準化された分析プロトコルを提案しています。

• 規範的モデリング（NM）の核心:

  • 大規模な参照集団（健常者など）から、生物学的変数（脳画像データなど）と共変量（年齢、性別など）の関係をモデル化します。
  • 個体ごとの「逸脱スコア（Z スコア）」を算出することで、集団分布の平均値だけでなく、分位点（centiles）の分布も推定します。これにより、個体が正常範囲内にあるか、どの程度逸脱しているかを統計的に評価できます。

• PCNtoolkit v1.x.x の主要機能と革新:

  1. 階層ベイズ回帰（HBR）の強化:
     • 非ガウス分布データ（歪みや尖度を持つデータ）を扱うための新しい尤度関数（Normal, SHASHb, Beta）を実装。
     • B スプライン基底関数を用いた非線形関係のモデル化や、サイト/性別ごとのランダム効果（バッチ効果）の処理を可能にします。
  2. 縦断モデリング（Longitudinal Modelling）:
     • 単なる時系列の Z スコアではなく、「Z-diff スコア」や「速度モデル（velocity modelling）」を用いて、時間経過に伴う分位点の交差（centile crossing）や変化の統計的有意性を評価する枠組みを提供します。
  3. フェデレーテッドラーニング（Federated Learning）:
     • データを共有せずに複数のサイト間でモデルを構築・更新する 3 つの戦略を実装：
       • モデル転送（Transfer）: 既存の参照モデルを新しい局所データに適応させる。
       • モデル拡張（Extension）: 新規データで参照モデルを更新する。
       • モデル結合（Merge）: 複数の独立して推定されたモデルを統合する。
  4. ワークフローの標準化:
     • データ選択、品質管理（QC）、前処理、モデル適合、評価（K フォールド交差検証）、可視化までの一貫したパイプラインを提供。

3. 主な貢献（Key Contributions）

1. プロトコルの更新と標準化: 2022 年版のプロトコルを大幅に更新し、非ガウス分布、縦断データ、フェデレーテッドラーニングを含む最新の手法を網羅した分析手順を確立しました。
2. PCNtoolkit v1.x.x の再構築: より使いやすく、保守性の高いオブジェクト指向設計へ刷新し、新規ユーザーから熟練者までが利用可能なコード例とドキュメントを提供しました。
3. 大規模参照モデルの公開: 生涯にわたる数千人のデータから推定された、皮質厚、体積、拡散画像（FA）、縦断データ用の更新された規範モデルをコミュニティに提供しました（Rutherford et al. [4] や以前のモデルに代わるもの）。
4. 実践的なガイド: 実装例（Jupyter Notebook）を通じて、データの前処理、バッチ効果の調整、モデル評価（WAIC によるモデル比較など）の具体的なコードを提供しています。

4. 結果（Results）

• モデルの適合と評価: FCON1000 データセットと OpenNeuro の臨床データセット（うつ病など）を用いた実証実験において、階層ベイズ回帰モデルが収束し、適切な不確実性推定を行っていることが確認されました。
• 診断指標: 事後予測分布の可視化（分位点プロット、QQ プロット）と定量的指標（$R^2$, RMSE, MSLL, MACE）により、モデルが共変量（年齢など）に対する機能依存性を正確に捉え、残差が理論分布に従っていることが示されました。
• スケーラビリティ: HPC クラスター（Slurm/Torque）を用いた並列処理により、大規模データセットに対する効率的なモデル適合が可能であることが実証されました。

5. 意義と将来展望（Significance）

• 精密医療への貢献: 従来の「平均的な患者」ではなく、「個々の患者」の脳構造や機能の逸脱を定量化することで、精神疾患のサブタイプ分類や治療反応性の予測、個別化医療（Precision Medicine）の実現に寄与します。
• 研究の再現性と拡張性: オープンソースのツールと標準化されたプロトコルにより、異なる研究グループ間での結果の比較や再現性が向上します。
• データプライバシーの保護: フェデレーテッドラーニング機能により、機密性の高い医療データを共有することなく、大規模な多施設共同研究が可能となり、倫理的・法的な課題を解決する道を開きます。
• コミュニティへの影響: 本プロトコルは、計算精神医学の分野において、症例対照研究から個体レベルの規範的モデリングへのパラダイムシフトを加速させる基盤技術となります。

---

結論:
本論文は、計算精神医学における規範的モデリングの手法を最新化し、PCNtoolkit v1.x.x を通じて実用的なツールとして提供した点に大きな意義があります。これにより、研究者はより複雑なデータ（非ガウス分布、縦断データ、分散データ）を扱い、個体レベルの精密なバイオマーカーを導き出すことが可能になりました。