A hierarchical face-scalp-cortex mapping for non-invasive neuromodulation targeting without magnetic resonance images guidance

技術要約：MRIガイダンスを用いない非侵襲的ニューロモジュレーション・ターゲティングのための階層的顔面・頭皮・皮質マッピング

問題提起
経頭蓋磁気刺激（TMS）、経頭蓋超音波刺激（TUS）、経頭蓋フォトバイオモジュレーション（tPBM）などの非侵襲的ニューロモジュレーション技術は、精神および神経疾患に対して効果的な非薬物療法を提供する。しかし、精密なターゲティングには通常、個人の磁気共鳴画像法（MRI）に依存するナビゲーションシステムが必要となる。この依存性は、MRIスキャンが高価で時間がかかり、多くの医療機関にとってアクセスが困難であり、一部の患者にとっては負担が大きいという重大な障壁を生んでいる。さらに、現在のMRIフリーの代替手法は、労働集約的な手動作業、オペレーターの経験への依存、あるいは顔面のランドマークから内部の脳ターゲットへマッピングするための原理的な理論的根拠の欠如といった問題を抱えている。MRIガイダンスなしで精密なターゲティングを可能にする、統一された、自動化された、かつ説明可能なフレームワークに対する切実なニーズが存在する。

手法
著者らは、マーカーレス・ロボット・ニューナビゲーション・システムに統合された、階層的な顔面・頭皮・皮質マッピングに基づく統一フレームワークを提案している。ワークフローは主に以下の3つの段階で構成される。

1. 顔面から頭皮へのマッピング（頭蓋表面の再構成）:

   • 入力: ハンドヘルド3Dスキャナーによって取得された顔面の点群（ポイントクラウド）。
   • モデル: 変分オートエンコーダ（VAE）と拡散モデル（Diffusion Model）を組み合わせた3D生成モデリングアーキテクチャ。VAEは顔面および頭蓋構造のトポロジカルな潜在表現を抽出し、拡散モデルは顔面の潜在空間から頭蓋の潜在空間へのマッピングを学習する。
   • プロセス: システムは、条件付き入力としての顔面点群を受け取り、完全な3D頭蓋表面モデルを生成する。これは、学習された顔面と頭蓋の相関関係に基づき、欠落している頭皮および後頭部の領域を「補完」するものである。このプロセスには、8,195組のペアとなった顔面およびMRI由来の頭蓋表面からなる大規模なデータセットが用いられている。
   • プライバシー: 生成モデリングはクラウドサーバー上でトレーニングされる。生成された頭蓋表面のみがローカルシステムに送信されるため、患者の顔面のプライバシーが保護される。

2. 皮質から頭皮へのマッピング（ターゲットの局在化）:

   • 座標系: 著者らは、3つの解剖学的ランドマーク（鼻根部（Nz）、および左右の耳前点（LPA/RPA））によって定義される**頭皮角度座標（Scalp Angle Coordinate: SAC）**系を導入している。このシステムは、頭皮上の点を測地線距離ではなく、角度座標（$S_\theta, S_\phi$）を用いて表現する。
   • マッピング戦略: SLIMデータセット（健康な参加者292名）を用い、システムは皮質ターゲット（MNI空間内）の座標を統計的に分析し、集団レベルの皮質・頭皮間マッピングを構築する。このマッピングは、所望のMNIターゲットを、個別の生成された頭蓋表面上の特定の位置へと変換する。
   • 利点: このアプローチは、マッピングの構築を完全な頭皮空間データから切り離し、顔面スキャンから容易に特定できる3つの主要なランドマークのみに依存する。

3. マーカーレス・ロボット・ニューナビゲーション:

   • ハードウェア: TMSアプリケーターと6軸力/トルクセンサを備えた6自由度（6-DOF）ロボットアーム（UR5e）を使用し、ステレオビジョンカメラによって制御される。
   • レジストレーション: システムは、AIによって検出された顔面ランドマーク（目の中心点、鼻尖など）を用いて、仮想的な3D頭部モデルと実際の患者の頭部との間のダイナミックなレジストレーションを行う。
   • 最適化: AIによるランドマーク検出に内在する不確実性に対処するため、システムはカメラ空間とレンダリング空間の間のレジストレーション誤差を最小化するように、仮想モデルのランドマークを微調整するダイナミック最適化アルゴリズムを採用している。
   • 実行: ロボットは計算されたターゲットにアプリケーターを配置し、アドミッタンス制御を介して一定の接触力（約4 N）を維持することで、安全性と安定性を確保する。

主な貢献

• 統一フレームワーク: 本論文は、幾何学的表面再構成と表面・脳間マッピングの間の溝を埋め、顔面データのみから頭蓋内ターゲットを推定するための原理的な説明を提供している。
• 生成モデリング: 部分的な顔面スキャンから完全な頭蓋表面を再構成することの実現可能性を、拡散ベースの生成モデルを用いることで示し、手動による頭皮測定を排除した。
• 頭皮角度座標（SAC）系: 3つの解剖学的ランドマークのみを用いて皮質・頭皮間マッピングを容易にする、新しい座標系を提案した。これにより、測地線ベースの手法と比較して誤差の蓄積が軽減される。
• マーカーレスの自動化: このフレームワークをマーカーレス・ロボット・ナビゲーションに統合することで、物理的なフィデューシャルマーカーの必要性をなくし、セットアップ時間とオペレーターへの依存度を低減した。

結果

• 表面再構成の精度: 503例のMRIケースを用いたテストセットにおいて、生成モデルはほとんどの頭皮領域で平均再構成誤差1.05 mm未満を達成した。誤差は後頭部および耳の付近で高くなる傾向があった。3人のオペレーター間での一貫性テストでは、高いクラス内相関係数（ICC > 0.89）を示した。
• ターゲティング精度（イン・シリコ）: 292名の健康な参加者を対象としたSACベースのマッピングでは、平均頭皮ターゲティング誤差は2.36 mmから5.70 mm、皮質ターゲティング誤差は2.50 mmから8.81 mmの範囲であった。18名の不眠症患者を用いた検証では、MRIベースの入力と比較してスキャナーベースの入力では誤差がわずかに増加したものの、主要領域（M1およびDLPFC）における皮質ターゲティング誤差は他のデータセットと同等であった。
• ファントム検証: 3Dプリントされた頭部ファントムを用いた検証において、最適化されたマーカーレス・ナビゲーションシステムは、平均位置誤差5 mm未満、角度誤差3°未満を達成し、非最適化されたランドマーク手法を上回った。
• 臨床検証（イン・ビボ）: 右DLPFCを標的とした1 Hz rTMSを2週間にわたり受けた18名の不眠症患者の研究において、睡眠の質に有意な改善が見られた（PSQIスコアは13.39から8.39へ減少、ISIスコアは18.56から12.17へ減少）。極めて重要なことに、ターゲティング推定誤差の大きさと治療効果との間に有意な相関は認められず、本フレームワークの精度が臨床的有効性に十分であることを示唆した。

意義と主張
著者らは、本フレームワークがMRIフリーのニューロモジュレーション・ターゲティングに対する原理的で説明可能、かつ自動化されたソリューションを提供すると主張している。断片的な解剖学的相関を統一されたワークフローに統合することで、本システムは、従来の手動手法（低精度、高変動性）およびMRI依存型システム（高コスト、低アクセシビリティ）の限界に対処している。

本論文は、このアプローチが以下をもたらすと断じている：

• 臨床的障壁の低減: MRIが利用できない地域病院、精神科クリニック、リハビリテーションセンターにおいても、精密なニューロモジュレーションへのアクセスを可能にする。
• 患者負担の軽減: 前処置としてのMRIスキャンや手動のマーカー設置を排除し、治療ワークフローを約10〜15分に短縮する。
• 自動化の実現: マーカーレス・ロボット・ナビゲーションは、将来の自動化または無人化されたニューロモジュレーション・サービスの道を開くものである。
• 実現可能性の立証: 不眠症患者の治療成功は、MRIガイダンスなしでの本フレームワークの臨床的有用性を検証しており、推定誤差が効果的な刺激の広がり（スプレッド）の許容範囲内にあることを示唆している。

著者らは、学習データが現在限定的であること、線形マッピングの仮定が複雑な物理場の分布を完全に捉えきれない可能性があること、およびイン・ビボのサンプルサイズが小さいことを認め、謙虚な姿勢を保っている。今後の課題として、データセットの拡大、スキャナー間の差異に対するドメイン適応の改善、およびウェアラブル・ロボット・デバイスの開発への展開を挙げている。