Neuro-JEPA: Building and Evaluating Health-System Scale Neuroimaging Foundation Models with Mixture of Experts
Neuro-JEPAは、155万件の臨床MRIスキャンを用いた潜在予測学習と疎な混合専門家（Mixture-of-Experts）アーキテクチャを活用することで、多様な神経学的画像タスクやヘルスケアシステムにわたる最先端かつ堅牢な汎化性能を実現し、より多くの事前学習データを持つ大規模なモデルを凌駕することも多い、スケーラブルでマルチモーダルな基盤モデルである。
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。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
人間の脳は複雑な器官であり、その健康状態を理解することは、しばしば一度も切ることなく内部を覗き込むことに依存しています。医師は磁気共鳴画像法（MRI）を用いて、脳組織の詳細な画像を作成します。これらの画像はすべて同じではなく、葉の質感を見るのか、あるいはその中の水分を見るのか、カメラの焦点を調整するように、異なる特徴を強調する異なる設定を使用して撮影されます。ある設定では脳の構造を鮮明に示し、別の設定では液体を強調し、3つ目の設定ではその液体を抑制して腫れや疾患を目立たせます。人間の専門家が患者の健康状態を読み解くには、これらすべての異なる視点を統合し、各々の手がかりを組み合わせて完全な診断を下す必要があります。しかし、コンピュータにこれを教えることは困難でした。ほとんどの人工知能システムは、一度に一つのタイプの画像のみを見るように訓練されており、異なる視点間の豊かなつながりを見落としてきました。これにより、人間の医師の思考方法と、現在のコンピュータプログラムの仕組みとの間に溝が生じています。
ニューヨーク大学とスタンフォード大学の研究チームは、この溝を埋めるために設計された新しい種類の人工知能を構築しました。彼らは、3種類のMRI画像を同時に見ることで脳を理解するように訓練された「Neuro-JEPA」と呼ばれるコンピュータモデルを作成しました。このモデルは、少数の教科書的な例から学ぶのではなく、約43万人の患者から得られた155万件もの脳スキャンの膨大なアーカイブを学習しました。これらのスキャンは大規模な病院システムから提供されたものであり、脳卒中や腫瘍から、アルツハイマー病のような神経変性疾患に至るまで、幅広い疾患を網羅しています。研究者たちは単にデータを標準的なコンピュータプログラムに投入したのではなく、異なる画像タイプ間の関係性をモデルが学習できるような、特殊なアーキテクチャを構築しました。これにより、モデルは異なる病院、異なるスキャナー、異なる疾患を横断して機能する、統一された脳の理解を作り出すことを学習しました。
この研究の結果は、新しいモデルが従来のシステムよりも脳画像を理解することにおいて著しく優れていることを示しています。脳卒中の特定、患者の回復予測、あるいは認知症の初期兆候の判定など、数十のタスクでテストを行った際、この新モデルは既存のツールを一貫して上回りました。専門医が画像をマークアップするために必要な「ラベル付きデータ」が極めて少ない状況においても、モデルは成功を収めました。これは、医学において専門家が必要とされる一般的な問題です。いくつかのケースでは、特に多発性硬化症や脳の炎症といった条件において、モデルは既存の最良のシステムと比較してAUCを最大0.15向上させました。決定的なのは、このモデルが他の主要なモデルで使用されたデータの3分の1未満のデータで訓練されたにもかかわらず、これらの結果を達成したことであり、これは単にデータを増やすことよりも、モデルの設計方法の方が重要であったことを示唆しています。
研究者たちはまた、異なる病院の患者を診たり、見たことのないタイプのスキャンを使用したりといった、現実世界の課題にモデルが対処できるかどうかについてもテストしました。モデルはこれらの異なる環境下でも高い性能を維持し、特定の画像を単に暗記したのではなく、脳の解剖学的原理を学習したことを証明しました。また、軽微な記憶障害が完全な認知症へと進行するかどうか、あるいは入院期間がどの程度になるかといったアウトカム（結果）を、日常的なケアに含まれる標準的なMRIス、みを用いて予測することさえできました。この能力は極めて重要です。なぜなら、医師がすでに撮影しているスキャンからより多くの情報を得られるようにし、高価で侵襲的な追加検査を必要とせずに、疾患をより早期に発見したり、治療をより効果的に計画したりできる可能性があるからです。
このシステムを構築するために、研究者たちはいくつかの具体的な問題に対処しなければなりませんでした。彼らは、既存の他の種類のデータに使用される手法を単にコピーするだけでは、脳スキャンにはうまく機能しないことを発見しました。彼らは、モデルが単純なパターンに基づいて推測するのではなく、最も重要な詳細を学習するように強制するために、訓練中に画像の一部を隠す特別な方法が必要であることを見出しました。また、モデルが頭蓋骨の周囲の空隙を無視して脳組織そのものに注意を向けることができるメカニメントを導入し、学習プロセスを大幅に効率化しました。さらに、画像の異なる部分に対して異なる「エキスパート」を起動させる設計を採用し、システムが遭遇する膨大な種類の脳の形状や病理に対処できるようにしました。このアプローチにより、モデルは効果的にスケールアップすることが可能となり、データと計算能力が増えるにつれてより強力になりました。
この研究は、「より優れた医療AIを作る唯一の方法は、より多くのデータを収集することである」という考えに明確に異を唱えています。データは重要ですが、研究者たちは、モデルの設計と訓練プロセスの質こそが決定的な要因であることを実証しました。彼らは、精査された155万件のスキャンで訓練された注意深く設計されたモデルが、500万件以上のスキャンで訓練されたモデルを凌駕できることを示しました。また、これらのモデルが訓練を受けた特定の病院でのみ機能するという考えを否定し、得られた知識が他の機関や異なる種類の医療用画像にも転用可能であることを証明しました。この研究は、医療用画像の未来が、単一の疾患ごとに個別のコンピュータプログラムを作成することではなく、脳全体を理解し、新たな問いや新たな患者に適応できる、単一の多用途なシステムを構築することにあることを示唆しています。
この研究は、人工知能を神経学的ケアにおける信頼できるパートナーにすることへの重要な一歩を象ло代表しています。単一のモデルが多様なデータから学習し、幅広い臨床問題に適用できることを示すことで、研究チームは、医師がより迅速かつ正確な意思決定を行うことを最終的に支援できる枠組みを提供しました。日常的なスキャンから疾患の進行や患者のアウトカムを予測できる能力は、早期介入や慢性疾患のより良い管理への道を開きます。研究者たちがこれらのツールを洗練させ、さらに多様な集団や画像タイプへと訓練を拡大していくにつれ、これらのシステムが患者ケアを向上させる可能性は高まり、この分野を実験的なプロトタイプから、人間の脳を理解するための実用的で汎用的なツールへと進化させていくことでしょう。
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。