Representation learning identifies systems-level neuroimaging signatures of traumatic brain injury-related attentional dysfunction in young adults

技術要約：表現学習によるTBI関連の注意機能障害におけるシステムレベルの神経画像シグネチャーの特定

問題提起
外傷性脳損傷（TBI）、特に軽度から中等度の症例は、しばしば持続的な注意力の欠如や抑制制御の障害を引き起こし、生活の質に大きな影響を及ぼす。しかし、その根底にある神経生物学的なシグネチャーについては、未だ十分に理解されていない。従来の神経画像研究では、TBIに関連する特定の脳領域や経路に関する知見に一貫性がないことが多く、結果もまちまちである。この不一致は、TBIが局所的な病変ではなく、分散した神経系に影響を及ぼす広範な神経病理学的プロセスを伴うことが多いことに起因しており、従来のボクセル単位や関心領域（ROI）解析では効果的に捉えきれない。さらに、TBI研究における既存の機械学習（ML）アプローチは、主に小規模なデータセットを用いた教師あり分類器による診断グループの識別に焦点を当てており、注意症状の重症度と特に関連する神経生物学的特徴の特定や、高次元マルチモーダルデータの潜在構造の活用には限定的であった。

手法
本研究では、89名の若年成人（スポーツ関連TBIの既往歴がある者44名、および健常コントロール群45名）からのマルチモーダル神経画像データに対し、半教師あり表現学習フレームワークを適用した。

• データ取得および前処理: 参加者は、検証済みの視覚的持続的注意タスク（VSAT）を用いた高解像度構造MRI（sMRI）、拡散MRI（dMRI）、およびタスクベース機能MRI（fMRI）を受けた。

  • sMRI: Human Connectome ProjectのパイプラインおよびFreeSurferを用いて処理され、89のROIから157の特徴量（皮質厚、体積）を抽出した。
  • dMRI: FSLを用いて前処理を行い、14の白質路からの異方性分数（FA）およびグラフ理論的指標（ノードのグローバル/ローカル効率、クラスター係数、媒介中心性）を含む384の特徴量を抽出した。
  • fMRI: GAT-FDツールボックスを用いて処理し、114のタスク活性化ROIから機能的ネットワークを構築し、456の特徴量（ノード次数、効率、媒介中心性）を生成した。
  • 総特徴量: 被験者あたり997個の生マルチモーダル特徴量が生成された。

• 特徴量削減: 過学習を抑制し次元を削減するため、各交差検証フォールド内でリーク制御された2段階の特徴量選択手順を適用した。これは、2標本t検定（$p < 0.05$）に続く線形判別分析（LDA）であり、絶対係数スコアが $>1.5$ の特徴量を保持することで、特徴空間を997から29へと削減した。

• モデルアーキテクチャ: 半教師ありオートエンコーダ（AE）を以下の3つのコンポーネントで実装した。

  1. エンコーダ: 20個のニューロンを持つ隠れ層を介して、29次元の入力を10次元の潜在表現へと圧縮した。
  2. デコーダ: 対称的なアーキテクチャを用いて元の特徴空間を再構成した。
  3. 分類器: 潜在表現を用いてTBIの状態を予測する教師ありブランチ（5個のニューロン、シグモイド出力）。
     モデルは、平均二乗再構成誤差（重み0.7）とバイナリクロスエントロピー分類損失（重み0.3）を共同で最適化した。ガウスノイズの注入（入力の20%）は、デノイジング正則化戦略として機能した。

• 評価および解釈性:

  • 分類: AUC、精度、感度、および特異度を用いて、5分割交差検証により性能を評価した。
  • 特徴量の重要度: 置換ベースの解析（1,000回のシャッフル）により、極めて識別力の高い特徴量を特定した（閾値：平均 + 1.5 SD）。
  • 脳・行動解析: TBI群内において、識別された上位6つの特徴量と注意症状（CAARS Tスコアで測定）との関係を評価するため、偏最小二乗回帰（PLSR）を実施した。その際、年齢、性別、損傷の重症度、および損傷回数を制御した。

主な結果

• 分類性能: 半教師ありAEモデルは、平均AUC 0.932 ± 0.087 を達成し、精度は88.5%、感度は約90%、特異度は約86%であった。この性能は、従来のPCA-SVMベンチマークを大幅に上回った。
• 識別的特徴量: 置換解析により、少数の極めて識別力の高いシステムレベルの特徴量が特定された。上位4つの特徴量（平均 + 1.5 SD 超過）は以下の通りである：
  1. 右尾状核のノード媒介中心性（BC）（機能的ネットワーク）。
  2. 右帯状回のノード次数（機能的ネットワーク）。
  3. 左後上側頭溝（pSTS）のノード次数（機能的ネットワーク）。
  4. 右楔部のノードBC（白質構造ネットワーク）。
     さらに2つの特徴量（構造的ネットワークにおける右吻側および尾側前帯状回のノードグローバル効率）が、平均 + 0.5 SD の閾値を超えた。
• 特徴量アブレーション: 特徴量数と性能の間には非線形な関係が観察された。上位4つの特徴量が識別力の大部分を占めており、全29特徴量を用いたモデルによる安定性の向上は限定的であった。
• 脳・行動の関係: TBI群において、PLSRは特定された特徴量が注意症状（不注意および多動/衝動性）の分散の 65.7% を説明することを示した（$R^2Y = 0.657$、強固な予測関連性 $Q^2 = 0.534$、$p < 0.001$）。
  • 左pSTS（機能的）: ノード次数の低下は、不注意および多動/衝動的症状の高さと有意に関連していた（VIP = 1.48）。
  • 右吻側および尾側前帯状回（構造的）: ノードグローバル効率の上昇は、症状の重症度と正の相関があった（VIP > 1.0）。
    コントロール群においては、有意な脳・行動関連は見られなかった。

主な貢献

1. フレームワークの開発: 本研究は、マルチモーダル神経画像データに半教師ありオートエンコーダを適用することに成功し、表現学習が高次元でヘテロジニアスなTBIデータを、コンパクトで生物学的に意味のある潜在表現へと効果的に圧縮できることを示した。
2. システムレベルのシグネチャー: 局所的な領域に焦点を当てた従来の研究とは異なり、本研究は、TBIに関連する注意機能の障害が、機能的および構造的ネットワークにわたる分散したネットワーク特性（ノード次数、効率、媒介中心性）の変化によって特徴付けられることを明らかにした。
3. 臨床的関連性: 本研究は、単なる診断分類を超え、学習された潜在的特徴がTBI集団における注意症状（不注意および多動/衝動性）の重症度と密接に関連していることを実証した。
4. 解釈性: 置換重要度およびPLSRを通じて、本研究は特定のネットワークハブ（pSTS、帯状回、尾状核、楔部）と臨床アウトカムとの間の解釈可能なマッピングを提供し、生物学的な根拠に基づくバイオマーカー開発の基礎を提示した。

意義および主張
著者らは、本研究が、生物学的な根拠に基づいたTBI後の認知機能障害のバイオマーカーを開発するための、新しい解釈可能なマルチモーダル・アプローチを提供するものであると主張している。孤立した領域の異常から、潜在的なシステムレベルのシグネチャーへと焦点を移すことで、本フレームワークは、従来の統計的手法や教師ありML手法よりも効果的にTBIの分散した病理を捉えることができる。

これらの知見は、TBI後の持続的な注意機能の障害が、単なる局所的な損傷の結果ではなく、相互作用する神経系（特に前頭葉・線条体、帯状回、後側頭葉、および後頭葉ネットワーク）間の通信および組織化の混乱を反映していることを示唆している。著者らは、これらの潜在的な神経生物学的表現が、認知機能障害の客観的な層別化のための有望な手段となり、標的を絞った介入の開発を導く可能性があると述べている。ただし、著者らは、現在のフレームワークは即時の臨床実装には至っておらず、一般化可能性と因果メカニズムを確立するために、大規模なマルチサイト・コホートでの縦断的な追跡調査による検証が必要であると謙虚に指摘している。