An explainable hierarchical machine learning framework for schizophrenia biomarker detection based on electroencephalogram signals

人間の脳は、思考、感情、そして健康状態によって変化するパターンの中で絶えず発火している、電気信号の広大で唸りを上げるネットワークです。何十年もの間、医師たちは統合失調症のような複雑な精神疾患を診断するために、インタビューや観察に頼ってきました。統合失調症は、人の考え方、感じ方、そして世界との関わり方を変えてしまう疾患です。これらの臨床的手法は不可欠ですが、主観的でもあり、しばしば遅延や誤分類を招きます。近年、科学者たちは、頭皮にセンサーを配置して脳の電気活動を記録する、非侵襲的な技術である脳波（EEG）に注目しています。高価な脳スキャンとは異なり、EEGは手頃な価格で持ち運びが可能であり、脳のリアルタイムのダイナミクスを直接覗き見る窓となります。課題は常に、これらの電気信号が非常に複雑かつ微細であり、健康な脳と疾患に影響された脳を区別する特定のパターンを見つけ出すことが困難であることでした。

イランの複数の大学からなる研究チームは、この問題に対処するための新しい方法を開発しました。それは、これらのパターンを特定するだけでなく、どのようにしてそれらを見つけ出したのかを正確に説明するシステムです。研究者たちは、101人（統合失調症と診断された51人と、健康なボランティア50人）の記録を分析することで、両グループを顕著な精度で区別できる機械学習フレームワークを構築しました。研究は、参加者が目を閉じて座っている状態と、目を開けて座っている状態という、2つの特定の状態に焦点を当てました。このシステムは単に推測したのではなく、脳波の数千もの数学的な記述を精査し、最も雄弁な記述を選択し、強力なコンピュータ・アルゴリズムを使用して決定を下しました。決定的なことに、研究者たちは単純な「はい」か「いいえ」の答えで終わらせませんでした。彼らはコンピュータの意思決定プロセスを解き明かす手法を用い、どの特定の脳部位と、どの種類の電気活動が診断において最も重要であったかを明らかにしました。

この研究の核心は、EEGセンサーから収集された膨大な量のデータを研究者がどのように扱ったかにあります。各記録は膨大な量の情報を生み出し、コンピュータが混乱することなく効率的に処理するにはあまりにも多すぎました。この問題を解決するために、チームは利用可能な数千の項目の中から最も有用な20の測定値を見つけ出すための、ステップ・バイ・ステップの選択プロセスを用いました。これらの測定値は単なる単純な平均ではなく、脳波がいかにカオス的であるか、あるいは秩序立っているかといった複雑な記述や、異なる速度範囲の信号におけるエネルギー量などを含んでいました。この高品質で小規模なデータセットの準備が整うと、研究者たちは、患者と健康な対照群を最もよく分離できるのはどのタイプのコンピュータ学習モデルであるかを確認するために、10種類の異なるモデルをテストしました。彼らは、コンピュータがほとんど全員のデータで学習し、見たことがない単一の人物に対してテストを行うという厳格なテスト方法を用い、結果が単なる幸運な推測ではなく本物であることを保証するために、これを全参加者に対して繰り返しました。

結果は、参加者が目を閉じているときにコンピュータモデルが最も高い性能を発揮することを示しました。この静かな休息状態において、最も成功したモデルは約81パーセントの確率で病状を正しく特定しました。最も効果的だったモデルは、多くの小さな判断を組み合わせて最終的な結論に達するという、専門家グループが投票を行う仕組みを模倣したものでした。参加者が目を開けると、モデルは依然としてグループを区別することができましたが、精度はわずかに低下しました。これは、脳の内部的な休息状態の活動が、外部の世界を処理している時の活動よりも、疾患のより明確な兆候を保持していることを示唆しています。コンピュータは単一のタイプの信号に頼るのではなく、異なる種類の測定値の組み合わせが最適であることを発見しました。最も重要な信号は、脳の前方および側方から来ており、具体的には波の速度とパターンの複雑さに関わるものでした。

おそらくこの研究の最も重要な貢献は、プロセスに透明性をもたらしたことです。コンピュータを用いた従来の医学的診断の多くでは、システムは「なぜ」を説明せずに答えだけを出す「ブラックボックス」として機能してきました。ここでは、研究者たちはどの特徴がコンピュータの決定を左右したのかをマッピングするツールを使用しました。彼らは、最も影響力のある信号が脳の中央前方の複雑性の尺度であることを発見しました。この信号が高度に複雑であるとき、コンピュータは統合失調症の診断へと傾き、より単純であるときは、健康な診断へと傾きました。他の重要な信号には、頭の側面にある側頭部の特定の脳波リズムの強さなどが含まれていました。この発見は、この疾患が脳の単一の壊れた部分によって定義されるのではなく、異なる領域が情報をどのように処理するか、そしてその電気的活動がいかにカオス的になるかという、複数の変化の組み合わせによって定義されていることを示唆しています。

研究者たちは、自分たちのシステムが優れた性能を発揮した一方で、それは特定のグループ（単一の医療センターの患者）に対してテストされたものであることに注意を払いました。これは、今回の知見が有望ではあるものの、まだ世界中のすべての病院のための最終的な解決策ではないことを意味します。本研究は、単純で小規模なテストでは不十分であることを明確に主張しており、非常に少ない参加者で行われた以前の研究は、より厳格にテストされると維持できないほど楽観的な結果を生み出してきたことを示しています。より大きなグループの人々を用い、より厳格なテスト方法を用いることで、本研究は、何が可能であるかについて、より現実的な姿を提供しています。この研究は、脳波の慎重な選択と高度なコンピュータ学習を組み合わせることで、信頼できる診断ツールを作成できることを実証しています。また、これらのツールが理解可能であり、生物学的な兆候のどれが結論に至るために使用されているのかを医師や患者に示せることも証明しています。このアプローチは、主観的なインタビューを超えて、脳の電気的な実態をより明確に理解し、いつの日か医師が統合失調症をより早期かつ正確に診断するのを助けるような、より客観的な、脳に基づいたツールの道筋を提示しています。