fMRIとsMRIの特徴量を用いた統合失調症分類のための解釈可能なアプローチ
Archita Chakraborty1, Linkon Chowdhury2, Selvarajah Thuseethan2
1School of Science, Engineering and Technology, East Delta University, Chittagong, 4209 Bangladesh.
Health information science and systems
|December 19, 2025
まとめ
本研究では、多峰性MRIを用いた新しい機械学習フレームワークを導入し、統合失調症の診断を改善します。このアプローチは、分類精度を向上させ、脳異常の解釈可能な可視化を提供します。
科学分野:
- 神経科学
- 人工知能
- 医用画像処理
背景:
- 統合失調症の診断は神経画像に依存していますが、多峰性データの統合と解釈可能性は依然として課題です。
- 既存の機械学習モデルは、統合失調症の分類のために複雑な神経画像の特徴を可視化する上で限界に直面しています。
研究 の 目的:
- 構造MRI（sMRI）と機能MRI（fMRI）を統合した新しいフレームワークを開発し、統合失調症の分類を強化します。
- 神経画像における機械学習モデルの解釈可能性を向上させ、臨床的意思決定を支援します。
主な方法:
- sMRIおよびfMRIデータから特徴量を抽出するために独立成分分析（ICA）を利用しました。
- 分類のためにマルチスケール再帰型ニューラルネットワーク（MsRNN）を開発しました。
- 説明可能なAI（XAI）のために層ごとの関連性伝播と勾配重み付きクラス活性化マッピングを採用しました。
主要な成果:
- MLSPデータセットで83.33%、COBREデータセットで89.8%の精度を達成しました。
- 識別的な脳領域を強調する臨床的に意味のある可視化を生成しました。
- 従来のモデルと比較して優れたパフォーマンスを示しました。
結論:
- 提案されたマルチモーダル、XAI統合フレームワークは、統合失調症診断のための精度と透明性を向上させます。
- このアプローチは、疾患特異的な異常の特定に役立ち、臨床的意思決定をサポートします。
