Interpretable Decoding of Frequency-Resolved Functional Connectivity

人間の脳は、思考、運動、感覚を調整するために、長距離にわたって絶えず信号を交換している数十億個の細胞からなる広大なネットワークです。このコミュニケーションがどのように機能しているかを理解するために、科学者はしばしば機能的結合に着目します。これは、脳の異なる領域が互いにどのように情報を伝達しているかを示す地図のようなものです。研究者が脳磁計（MEG）を用いてこの活動を測定するとき、彼らは脳内の電流によって生じる磁場を捉えています。この技術により、信号が伝わる速度、すなわち周波数ごとに分類された形で、これらの結合をリアルタイムで観察することが可能になります。こうしたコミュニケーションのパターンは、加齢とともに変化し、さまざまな脳の状態によっても変化するため、これらを読み解く信頼できる方法を見つけることは、医師が神経学的疾患の初期兆候を特定したり、個人の脳の発達過程を追跡したりする助けとなる可能性があります。

研究チームは最近、高度なコンピュータ学習と伝統的な解析を組み合わせた新しいアプローチを用い、特定の脳の状態を予測するために、これらの複雑なパターンを解読するという課題に取り組みました。彼らは、脳データの有名なコレクションであるCam-CANコホートから、576人の健康な成人という大規模なグループに焦点を当てました。その目的は、安静時脳活動――人が特定のタスクを行っていない状態で起きているときの、静かな、背景にある思考のざわめき――を見るだけで、その人の年齢を正確に推定できるかどうかを確認することでした。これを行うために、彼らはFC-CNNと呼ばれるディープラーニング・フレームワークという、特殊なコンピュータプログラムを構築しました。これは、周波数分解された機能的結合データから直接学習するように設計されています。つまり、このプログラムは、単一の平均値を見るのではなく、異なる信号速度にわたって脳領域間の結合の強さがどのように変化するかを分析したのです。

研究者たちは、この新しいシステムを、科学者が長年使用してきた標準的な手法に対してテストしました。彼らは、ディープラーニング・モデルの性能を、データポイント間の直線的な関係を探る統計ツールである従来の回帰手法と比較しました。研究では、脳内のコミュニケーションを測定する2つの主要な方法を検証しました。一つは信号の振幅の強さ、すなわち信号がいかに「大きい」か（音量のようなもの）に基づくものであり、もう一つは位相同期、すなわち異なる領域間での信号のタイミングがいかに完璧に一致しているかを追跡するものです。結果として、ディープラーニング・モデルが従来のメソッドよりも優れた性能を示すことが明らかになりました。さらに、データの解析により、信号の強さ、すなわち振幅エンベロープ相関に依存する方が、信号のタイミングの一致に依存する場合よりも、一貫して精度の高い予測につながることが判明しました。

単に高い精度を達成するだけでなく、研究者たちは、彼らのモデルが単なる「ブラックボックス」として使われるだけでなく、理解可能なものであることも示しました。彼らは、訓練されたコンピュータモデルの内部設定、すなわち「重み」を調べることで、正しい予測を行うためにどの特定の脳活動パターンが最も重要であったかを明らかにできることを示しました。これは、結果を駆動している神経生理学的な活動を解釈する方法を提供し、予測を行う際に脳が実際に何を行っているのかという、より明確な視点を与えるものです。この研究は、このアプローチがMEGデータから脳の状態を解読することに成功しており、脳疾患の予測マーカーを発見するための有望なツールとなり、人間の心の複雑な仕組みを理解するためのより精密な道具となることを示唆しています。