A Comparative Evaluation of Structural MRI Foundation Models for Age, Sex, and Body-Mass Index Predictions

人間の脳は複雑な器官であり、時間の経過とともにどのように変化するか、あるいは個人間でどのように異なるかを理解することは、現代の神経科学における中心的な目標です。手術を行うことなく生体内の脳を観察するために、研究者は磁気共鳴画像法（MRI）に頼っています。これは、脳構造の詳細な三次元マップを作成する技術です。数十年にわたり、科学者たちは脳の外層の厚さや、折りたたまれた表面の大きさといった特定の特徴を手動で測定することで、これらのマップを分析してきました。形態計測学的特徴として知られるこれらの測定値は、アルツハイマー病のような疾患や、加齢による自然な影響を研究するための強固な基礎を提供してきました。しかし、希少な疾患や多様な集団を研究するために十分な数の脳スキャンを収集することは困難であり、従来の方法ではデータの解釈に多大な人的労力を要することがよくあります。近年、新しいアプローチが登場しました。それは、コンピュータシステムに膨大な脳スキャンのコレクションを学習させ、システム自身がパターンを認識できるようにするというものです。「基盤モデル」と呼ばれるこれらのシステムは、生の画像を直接理解するように設計されており、従来のメソッドよりも医学的スキャンから意味のある情報を抽出するための、より強力な方法を提供する可能性があります。

ある研究チームは、これら新しいコンピュータシステムが、長年用いられてきた確立された手法に対して真に優位性を持っているかどうかをテストすることに乗り出しました。彼らは、大規模な脳画像データセットで事前学習された4つの公開モデルに焦点を当てました。これらのモデルが現実世界のシナリオでどの程度機能するかを確認するため、研究者たちは、パーキンソン病患者、健康な子供と成人のネットワーク、そして大規模な健康なボランティアのコホートという、3つの異なるグループから磁気共鳴画像を集めました。そして、脳研究において一般的な3つの特定のタスク、すなわち、性別の判定、年齢の推定、およびBMI（体格指数）の予測をコンピュータモデルに課しました。公平な比較を行うため、チームは、脳皮質の厚さと表面積を測定することに依存する標準的な手法（この分野で長年ゴールドスタンダードとされてきた手法）に対して、これらの新しいモデルをテストしました。彼らは、コンピュータモデルがテスト中に新しいことを学習できないようにする一貫したテストフレームワークを使用し、結果が初期のトレーニングですでに学習した内容のみを反映するようにしました。

結果は、新しいコンピュータモデルが常に自動的に勝利するわけではないことを示しました。一部の基盤モデルは、特定のタスクや特定の集団において従来の測定値よりも優れた性能を示しましたが、全体的な状況は混在していました。2つのモデル、3D-Neuro-SimCLRとAnatCLは、ほとんどのテストにおいて伝統的な手法を一貫して上回りました。その中でも、3D-Neuro-SimCLRは最も信頼性の高いパフォーマンスを示しましたが、HBNデータセットにおける性別分類に関する特定のタスクでは苦戦しました。テストされた他のモデルは、伝統的な測定値を一貫して打ち負かすことはできず、コンピュータが生の画像から独自のパターンを学習できる能力が、あらゆる状況において必ずしもより良い結果を保証するわけではないことを示唆しています。また、研究者たちは、これらの新しいモデルが脳を理解する方法が、伝統的な測定値による記述とは異なっていることを見出し、コンピュータが人間が設計した測定法では見落とされる可能性のあるデータ内の関係性を捉えていることを示しました。

本研究は、これらの高度なコンピュータモデルには大きな期待が寄せられているものの、それらがまだ確立された手法の普遍的な代替物ではないことを示し、この分野に明確なベンチマークを提供しています。この結果は、3D-Neuro-SimCLRやAnatCLのようなモデルが、脳画像における予測を向上させるための特に強力なツールであるが、その成功は、問いかけられる特定の質問や研究対象となる集団に大きく依存することを示唆しています。他の科学者がこの研究を継続できるよう、研究者たちは彼らのテスト手法を公開し、新しいモデルが追加され、開発が進むにつれて比較できる「生きたリソース」を創り出しました。この透明性は、新しい技術が証明なしに常に優れているという仮定を避け、どのツールが最適に機能するかを明確な理解に基づいて進めることで、この分野が前進することを確実にします。この研究は、適切なモデルが適切なタスクに一致したときに、より正確な予測への道を開くものとして、これらの基盤モデルが神経科学者のツールキットへの価値ある追加であることを裏付けています。