統合失調症における機能的結合性解析へのLLMベースの特徴選択と反事実的説明の応用

科学分野:

• 神経科学
• 人工知能
• 精神疾患

背景:

• 統合失調症（SZ）は、神経メカニズムが不明瞭なため、課題を提示する。
• 高次元の機能的結合性（FC）データは、特徴選択と解釈を複雑にする。
• 従来のメソッドは、神経科学の知識の統合が欠けており、臨床的関連性を制限する。

研究 の 目的:

• LLM誘導FC特徴選択を用いたSZ解析のための革新的なフレームワークを開発する。
• 生物学的に妥当な特徴選択のためにLLMエンコードされた脳疾患知識を統合する。
• 反事実的説明を通じて、モデルの解釈可能性と臨床的関連性を高める。

主な方法:

• FCデータに対するLLM誘導特徴選択と反事実的説明を組み合わせた新しいフレームワーク。
• 高次元FCデータの次元削減のためのLLM知識の活用。
• 因果的介入例の生成と、それらを自然言語の説明に翻訳すること。

主要な成果:

• 5つの実世界のSZデータセットでの検証。
• SZのモデル分類性能の改善を実証。
• 特徴選択と解釈可能性の向上を通じて、SZ解析に関する新しい洞察を提供。

結論:

• LLMベースのFC解析法は、SZにおける脳領域の主要なFC特徴を効果的にスクリーニングする。
• このアプローチは、SZデータセットに対して改善された特徴選択と解釈可能性を提供する。
• 限界には、データの異質性と最適化されていないハイパーパラメータによる臨床応用の課題が含まれる。