Method comparisons for differentiation of Schizophrenia and Bipolar based on rs-fMRI Intrinsic and Functional Networks

技術要約：rs-fMRIに基づく統合失調症と双極性障害の鑑別における手法比較

問題提起
統合失調症（SZ）と精神病症状を伴う双極性障害（BP）は、症状、遺伝的リスク、および認知機能障害が大きく重複する、明確に異なる臨床的実体である。この重複は、正確な鑑別診断において重大な課題を生じさせる。誤診は、効果のない治療、あるいは症状を悪化させる治療（例：BPにおける躁状態を悪化させる抗精神病薬の使用）を招く可能性がある。安静時機能的磁気共 резоnance 画像法（rs-fMRI）は、これらの疾患を区別するための客観的なバイオマーカーを特定するための有望な手段であるが、分野内では、脳の結合性を表現する上で最も効果的な手法について合意が得られていない。具体的には、固有結合ネットワーク（ICN）の時系列プロファイルと、様々な機能的ネットワーク結合（FNC）アプローチ（静的、動的、および高次）のいずれが優れた識別能を提供するのかが不明確である。

方法論
本研究では、786名の被験者（訓練用371名、ホールドアウトテストセット315名。内訳はSZ患者288名、BP患者183名）を対象に、複数のrs-fMRI表現を評価した。データは、マルチスケール空間拘束独立成分分析（ICA）テンプレートを用いてrs-fMRIから導出された105個の固有結合ネットワーク（ICN）で構成されている。手法は主に2つのストリームに分かれている。

1. ICN時系列プロファイル解析：

   • 前処理： ICNの時系列データは、一様な長さである234サンプルにゼロパディングされた。信号は3つのバンドパスフィルタ（低域：0.01–0.15 Hz、中域：0.15–0.35 Hz、高域：0.35–0.5 Hz）を通じて処理された。
   • 時間-周波数表現： Tukey窓を用いた短時間フーリエ変換（STFT）によりスペクトログラムが生成され、Morletウェーブレットを用いた連続ウェーブレット変換（CWT）によりスケーログラムが生成された。
   • 分類： ディープラーニングアーキテクチャが採用された。1次元畳み込みニューラルネットワーク（1D CNN）が、生の時系列およびフィルタリングされた時系列に対して学習された。計算上の制約を管理するため、体積的なスペクトログラムおよびスケーログラムの特徴量に対して簡略化された3D CNNが適用された。

2. 機能的ネットワーク結合（FNC）解析：

   • 特徴量抽出： ペアとなるICN時系列間のピアソン相関係数としてFNC行列を算出した。
   • 表現形式：
     • 静的FNC (sFNC): 全期間（および比較のための標準化された短縮長100サンプル）にわたって算出。
     • 動的FNC (dFNC): 様々な窓長（$L$）とステップサイズ（$s$）を用いたスライディングウィンドウを用いて算出。
     • 高次FFNC (hFNC): dFNCクラスター間の相関時系列（K-meansによる様々なクラスター数 $U$ を使用）を計算することで導出。
   • 分類： 7つの古典的な機械学習アルゴリズム（SVM、ランダムフォレスト、ロジスティック回帰、KNN、ナイーブベイズ、決定木、LDA）が、平坦化された結合特徴量に対して学習された。高次元のsFNC、dFNC、およびhFNC特徴量に対しては、ロジスティック回帰が特に用いられた。

主な結果
ホールドアウトテストセットにおけるAUCを主な指標とした評価により、以下の知見が得られた。

• ICN時系列プロファイル： 生のICN時系列に対して学習された1D CNNが、AUC 0.67という最高の全体性能を達成した。これは、バンド制限された信号（中域：0.54、低域：0.546、高域：0.53）や、スペクトログラムおよびスケーログラムに適用された3D CNN（AUC 0.49および0.53）を上回る結果であった。
• 結合ベースの手法： 結合アプローチの中では、一般に**静的FNC (sFNC)**が動的および高次表現よりも優れた性能を示した。
  • sFNCはAUC 0.570を達成した。
  • dFNCの構成は0.548から0.569の範囲であり、静的方法に対して明確な優位性は示されなかった。
  • hFNCの構成は最も性能が低く、AUCは0.436から0.565の範囲であり、パラメータの選択（窓長、ステップサイズ、クラスター数）に対して一貫した傾向は見られなかった。
• 古典的MLの性能： フルサイズのFNC特徴量に適用された7つの分類器のうち、ロジスティック回帰が最高のROC-AUC（0.640）を達成し、次いでSVM（0.632）、LDA（0.620）となった。ランダムフォレストは最高の生の正解率（0.68）を記録したが、非常に低いF1スコア（約0.20）を示しており、クラス不均衡（多数派であるSZへの偏り）があることを示唆している。

意義と主張
本論文は、分類性能は控えめではあるものの、その結果は精神病の鑑別における神経画像バイオマーカーの安定性に関する重要な洞察を提供すると主張している。

1. 生の時系列プロファイルの優位性： 生のICN時系列を1D CNNで処理したものが、複雑な時間-周波数表現よりも優れた性能を示したという事実は、診断に関連する情報が全周波数スペクトルに分散していることを示唆している。信号を狭い帯域に分解したり、複雑な3次元構造にしたりすることは、補完的な帯域間のダイナミクスを破棄したり、限られたコホートサイズによる過学習のリスクを導入したりする可能性がある。
2. 低次結合の安定性： 静的機能結合が動的および高次表現よりも一貫して優れた性能を示したことは、「複雑さが増すと診断的有用性が高まる」という直感に疑問を投げかけるものである。著者らは、手法的な比較可能性のために時系列の長さを標準化（100サンプルへ短縮）したことが、dFNCやhFNCが意味のある変動を捉えるために必要な時間解像度を減少させた可能性を指摘している。
3. 鑑別の困難性： 全体的な性能が控えめであることは、rs-fMRIのみを用いてSZとBPを区別することの本質的な難しさを浮き彫りにしている。これは、両者の間に相当な遺伝的、神経生物学的、および症状的な重複が存在するためである。本研究は、表現の複雑さが増しても、必ずしも汎化性能の向上にはつながらないことを強調している。
4. 方法論的示唆： 結果は、取得時間の重要性を強調しており、過去の研究でフルレングスの時系列から算出されたsFNCの方が、本研究で使用された短縮版よりも高いスコアを得たことを示している。また、本研究は、報告された指標が真の識別能力を反映するようにするために、クラス不均衡がF1スコアや正解率に与える影響に対処する必要があることを指摘している。

結論として、本研究は、単純かつ低次の表現（生の時系列プロファイルおよび静的結合）が、統合失調症と双極性障害を区別するための、現時点では最も堅牢ではあるが依然として限定的な識別力を提供することを実証しており、再現可能な神経画像バイオマーカーの開発に向けた継続的な取り組みに貢献している。