Current gaps in downstream applications of fMRI foundation models: lessons learned from BrainLM & BrainHarmonix on Prevent-AD
本研究は、Prevent-ADデータセットを用いてfMRI基盤モデルであるBrainLMとBrainHarmonixを評価し、言語や視覚の領域とは異なり、これらは臨床予測タスクにおいて単純なベースラインを上回ることができず、さらに実用的な採用を妨げるほどの多大なコードの適応を必要とすることが現在のところ判明した。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
人間の脳は、数十億の細胞が電気信号を通じて通信し合う、広大で脈動するネットワークです。このネットワークがどのように機能しているかを理解するために、科学者たちはしばしば、機能的磁気共鳴画像法（fMRI）と呼ばれる強力なカメラを使用します。この装置は静止画を撮るのではなく、脳が休息している際の様子を記録し、さまざまな領域に波及する微細な活動のうねりを捉える「映画」を記録します。これらの領域がどのように同期して上昇・下降するかを観察することで、研究者は脳の機能的なつながりをマッピングできます。それは、都市の地図上で交通の流れを追跡し、どの近隣地域が密接に結びついているかを確認する作業によく似ています。長年、これらのマップを分析するための標準的な手法は、あらゆる領域のペア間の接続強度を測定することでした。「機能的結合性」として知られるこの手法は、個人の年齢や性別を予測したり、アルツハイマー病のような疾患の初期兆候を特定しようとしたりするための主力となってきました。
近年、人工知能の新しい波が科学界を席巻しており、複雑なデータの理解に革命をもたらすと約束されています。言語や視覚の分野では、「基盤モデル（foundation models）」が有名になりました。これらは、特定の答えを与えられることなく、世界の根底にあるパターンを学習するために膨大な量のデータで訓練された巨大なコンピュータプログラムです。これらは、文章の次に何が来るか、あるいは画像がどのようなものかを予測することを学び、新しい小さなタスクにも適用できる深く柔軟な理解を構築します。脳科学の研究者たちは、このアプローチを試みることに熱意を燃やしてきました。同様の巨大なモデルを数千もの脳スキャンに対して訓練し、脳活動の一般的な「文法」を学習させたいと考えてきました。その希望は、これらのモデルが、たとえ自身のデータが非常に少なくても、医師や科学者が疾患を診断したり、記憶障害を発症する可能性のある人物を予測したりできる強力なツールになることでした。
ある研究チームは、この約束が現実であるかどうかを検証するために、最新かつ最も高度なfMRI用基盤モデルの2つ、BrainLMとBrainHarmonixを選び、挑戦的な実世界のデータセットを用いてテストを行いました。このデータセットは、アルツハイマー病の家族歴を持つ数百人の健康な高齢者を追跡しているPREVENT-AD研究から得られたものです。目的は、これらの新しい人工知能モデルが、個人の性別、年齢層、将来的に軽度認知障害を発症するかどうか、そしてアルツハイマー病の兆候となる特定のタンパク質の蓄積があるかどうかという4つの特定の事項を予測する際に、従来の信頼できる手法である機能的結合性を上回ることができるかどうかを確認することでした。研究者たちは、これらのモデルが独立した科学者によって使用できる準備ができているのか、それとも依然としてそれを作成したラボの外で適用するには技術的に困難すぎるのかを知りたかったのです。
旅は大きな障害から始まりました。単にモデルを新しいデータで動作させることさえ、決して単純なことではありませんでした。チームがBrainLMの作成者が提供したソフトウェアコードを使用した際、それが自分たちのデータでは動作しないことが判明しました。そのコードは、ほとんどの神経科学者が使用している標準的なツールとは互換性のない、独自に構築された脳スキャンのクリーニング方法に依存していました。研究者たちはデータ処理手順を書き換え、より広いコミュニティで使用されている広く受け入れられた標準的な方法へと切り替えなければなりませんでした。これらの大幅な変更を経て初めて、モデルは適切に学習を開始しました。もう一つのモデル、BrainHarmonixは、異なる種類の問題を提示しました。そのドキュメントには、新しいデータをモデルのためにどのように準備すべきかが記載されておらず、チームは信号を正規化する正しい方法を推測せざるを得ませんでした。彼らは、安定した結果を生み出す方法を見つけるために、いくつかの異なるアプローチをテストしなければなりませんでした。これらの初期の苦闘は、大きな隔たりを浮き彫りにしました。つまり、モデルは強力ではあるものの、独立した研究者が大幅な技術的トラブルシューティングなしに簡単に使用できるようにパッケージ化されていなかったのです。
モデルが稼働すると、チームは予測結果を、標準的な手法である機能的結合性と、常に最も一般的な答えを推測する単純な「ダミー」分類器と比較しました。性別の予測については、従来の機能的結合性の手法が実際に勝者でした。この手法は、新しい基盤モデルから抽出された特徴量よりも、参加者の性別をより正確に特定しました。年齢層の予測については、機能的活動ではなく構造的な脳画像から派生したBrainHarmonixモデルの1つの特徴量が、標準的な手法よりもわずかに優れた性能を示しましたが、その差は非常に小さく、偶然起こり得る範囲内でした。臨床的なターゲットに関する結果は、さらに厳しいものでした。誰が軽度認知障害を発症するか、あるいはアルツハイマー病に関連するタンパク質の蓄積があるかを予測しようとした際、どの基盤モデルも、全体的な正確さにおいて単純なダミー分類器に勝ることはできませんでした。これは主に、これらの疾患を持つグループが健康なグループに比べて非常に小さいため、単に多数派を推測することなしにシグナルを見つけ出すことが困難であったためです。
しかし、物語は失敗だけではありませんでした。研究者が予測の詳細をより深く調査したところ、微かな希望の兆しが見つかりました。モデルは診断ツールとして使用できるほどの精度は持っていませんでしたが、基盤モデルのいくつかの特徴量は、標準的な手法よりも、実際に疾患を患っている少数の人々を特定することにおいて優れていました。言い換えれば、モデルが陽性の予測を行った場合、多くのケースを見逃してはいるものの、その予測が正しい確率はわずかに高かったのです。これは、モデルが標準的な手法が見逃してしまう、おそらくより微細な種類のシグナルを脳データから捉えている可能性を示唆しています。しかし、これらの改善は統計的に有意ではなかったため、研究者たちは、モデルが問題を決定的に解決したと主張することはできませんでした。この結果は、言語モデルで見られた強力な知識の転移が、脳画像においてもまだ再現されていないことを示唆しています。
本研究は、これらの基盤モデルは、独立した研究者が臨床で使用するために、まだ準備が整っていないと結論付けています。それらは過度な技術的適応を必要とし、数十年にわたって使用されてきた確立されたより単純な手法を上回る能力をまだ証明できていません。著者らは、これらのモデルが真に有用になるためには、インストールや実行を容易にする標準化されたソフトウェアツールが必要であり、今後の研究では常に新しいモデルを標準的な機能的結合性のベースラインと比較しなければならないと主張しています。それまでは、アルツハイマー病を即座に診断したり、記憶力の低下を予測したりできる普遍的な脳モデルという夢は、より厳格なテストと優れたエンジニアリングによって現実となるのを待っている、単なる夢のままなのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。