Translating Imaging-based Brain Age Models for Predicting Accelerated Brain Ageing in African Populations: A Pilot Study on a Nigerian Cohort.

人間の脳は静止した器官ではありません。私たちは成長するにつれて、その形や構造が変化していきます。肌にシワが刻まれたり、骨の密度が低下したりするのと同様に、脳もまた自然で緩やかな変容を遂げます。科学者たちは、磁気共鳴画像法（MRI）を用いてこれらの変化を測定し、「ブレイン・エイジ（脳年齢）」という概念を作り出す方法を学びました。これは、その人が実際に何年生きたかではなく、その人の脳が物理的な構造に基づいて何歳に見えるかを推定する数値です。もし脳が実年齢よりも老けて見える場合、それはその器官がストレスを受けているか、認知症のような疾患のリスクがあることを示唆している可能性があります。長年、研究者たちはこれらの概念を利用して、健康上の問題を早期に発見しようと試みてきました。しかし、脳年齢を算出するために用いられるツールには重大な欠陥がありました。それらは、ほぼ完全に北米、ヨーロッパ、オーストラリアの人々のデータに基づいて構築されていたのです。これらのモデルは、どこに住んでいるかやどのような背景を持っているかにかかわらず、すべての人間の脳は同じように老化するという前提に基づいています。この仮定は、遺伝、環境、さらには画像を撮影するために使用される特定の装置までもが、脳の見え方に影響を与える可能性があるという事実を無視しています。

ある研究チームは、西洋で作られたこれらのツールがアフリカ、具体的にはナイジェリアの人々に対して機能するかどうかを検証することに着手しました。彼らは、アフリカ大陸全域からの11,000件以上の臨床脳スキャンを含む多施設データベースである「Africa Neuroimaging Archive (AfNiA)」を活用しました。この膨大なアーカイブから、彼らは神経学的に健康な（つまり、既知の脳疾患や異常がない）ナイジェリアの成人から309件のスキャンを慎重に選び出しました。これらのスキャンは、ナイジェリアの公立および私立病院を含む様々なソースから提供され、5種類の異なるタイプのMRI装置を使用して撮影されました。これらの画像の中には、研究で通常使われるような鮮明で高解像度な3D画像ではなく、患者をクリニック内へ迅速に移動させるために撮影された、より高速で低品質な2Dのスライス（断面）が多く含まれていました。これらの画像を研究に使用可能なものにするため、チームはコンピュータプログラムを使用して2Dスライスを3D画像に変換し、事実上、隙間を埋めることで脳の完全な立体像を作り上げました。そして、チームはこれらの画像を厳格な品質チェックにかけ、使い物にならないほどぼやけていたり歪んでいたりするスキャンを除去することで、現実的な制約条件下においても最終的なデータセットが可能な限り信頼できるものとなるよう努めました。

クリーンなデータセットの準備が整うと、チームは、特にこのナイジェリアの集団における脳の構造と年齢の関係を学習するための新しいコンピュータモデルを訓練しました。彼らは、モデルに対して、脳のさまざまな領域のサイズや形状を観察し、その人物が何歳であるかを予測するように教え込みました。この新しいモデルをテストしたところ、標準的な統計的調整を適用する前では、予測の誤差は平均して約9.8年でした。若い人の年齢を過大評価し、高齢者の年齢を過小評価するという、これらのモデルに共通する傾向を考慮して単純な補正を行った後、誤差は6.4年へと大幅に減少しました。このレベルの精度は、グローバル・ノース（先進諸国）の高品質な大規模データセットで訓練された最高のモデルに匹らぐものですが、これははるかに現地の集団を代表するデータを用いて達成されました。

既存の輸入モデルがどのように機能するかを確認するため、研究者たちは4つの確立された脳年齢ツールを、同じナイジェリアのデータに対してテストしました。これらのツールは、イギリス、アメリカ、ヨーロッパの人々の数万件のスキャンから訓練されたものです。結果は明白でした。輸入されたモデルははるかに大きな誤差を生じさせ、中には平均で16年以上も外れるものもありました。ある最も高度なディープラーニング・モデルは、新しいグループへの汎用性に優れていると称賛されていましたが、スキャンの一部に対しては全く機能せず、画像を処理することすらできませんでした。別のモデルは非常に性能が悪く、グループの老化の方向性さえ逆に予測してしまいました。研究者たちは、これらのモデルが、ナイジェリアの脳を、見たこともないパターンに無理やり当てはめようとしており、それが混乱と不正確な結果を招いていることを発見しました。この研究は、最も洗練されたツールであっても、信頼性を失うことなく大陸を越えて単純に移転させることはできないということを示しました。

また、本研究は、リソースの限られた環境にこれらの技術を導入する際の現実的な課題についても浮き彫りにしました。彼らが構築した新しいモデルは正確でしたが、画像の準備プロセスには膨大な時間がかかりました。309人の参加者のスキャンを変換し分析するには、40日間に及ぶ連続したコンピュータ処理を必要としました。脳の画像を特定の部位に分解してからモデルが読み取れるようにする必要があるというこのボトルネックは、スピードが不可欠な忙しい病院において大きな障害となります。研究者たちは、より新しい高速な手法が存在するものの、それらは多くのアフリカでは利用できないほど高価で強力なコンピュータを必要とすることを指摘しました。これは困難なトレードオフを生み出しています。つまり、最も正確なモデルは広範囲で使用するには遅すぎて高価であり、一方で、より高速なモデルは精度が低いか、あるいは現地のデータに対して完全に失敗してしまうのです。

結局のところ、この研究は、アフリカにおけるより良い脳の健康への道には、異なるアプローチが必要であることを示しています。富裕国で開発されたツールをアフリカの人々に適用するだけでは不十分なのです。研究者たちは、現地のデータを用いて現地のモデルを構築することで、より正確で、かつ調査対象となっている人々に適した結果を得られることを示しました。彼らは、グローバルな脳の健康の未来は、それぞれの目的となる集団に対して検証された、多様なツールのエコシステムを構築することにかかっていると結論付けました。彼らが大陸全域のデータを収集し続ける中で、これらのモデルをさらに洗練させ、最終的には、加速した脳の老化のリスクがある個人を確実に特定し、これまで議論から取り残されてきた何百万人もの人々に対して、早期の介入とより良いケアを可能にするシステムを構築することを目指しています。