大うつ病性障害患者の脳構造画像によるマルチセンター診断分類

この数十年の間にうつ病患者の脳構造の量的な異常が報告されてきた。しかし、これらの構造の違いは被験者間の分散を考慮して慣習的な放射線医学的に定義された異常における微妙な差異を示すのみである。結果的に、個人レベルにおいてうつ病患者を脳構造画像から同定することはできていない。近年、関連ベクターマシンやサポートベクターマシンなどの機械学習を個人の画像から分類を予測するために適用されている。そこで我々は新規のハイブリッドな技法を開発し、特徴抽出と特徴づけを一体化した機械学習を述べ、後者の特徴付けは機械学習による予測の精度を高めるためである。この方法は複数の施設から得たT1構造画像のデータで検証した。62人のうつ病患者と対照健常群をアバディーンとエジンバラからリクルートした。90%程度の高い精度の分類ができた。一方で特徴中週るが機械学習において精度を高めるために重要であったのにたいして、特徴付けは関連ベクターマシンによる分類の精度にわずかに貢献しただけであった。注目すべきことは、訓練時にうつ病と健常者という分類ラベルしか与えていないにもかかわらず、関連ベクターマシンとサポートベクターマシンの重みづけは主観的な症状の重症度と相関していた。これらの結果は機械学習によって個人の脳画像から正確な予測を行うことができる可能性を示唆した。さらに、機械学習の脳構造画像の情報をもとにした重みづけはうつ病の症状の重症度のバイオマーカーとなるだろう。

英語能力が低いせいもあるが読みづらい文章である。それはともかくとして機械学習で用いるweightが何かしら使える指標になりうる可能性が分かったのは良かった。ただ、やはり辺縁系はうつ病の分類においてあまり特徴として有用ではないことがこの論文からも示唆される。