手書きによる錐体外路症状の検出と重症度分類のためのLiquidGAN
LiquidGAN for Handwriting-Based Detection and Severity Classification of Extrapyramidal Symptoms
統合失調症治療薬によって引き起こされる錐体外路症状(EPS)は、手書きパターンに測定可能な変化をもたらす。本研究では、液状ニューラルネットワークの適応的ダイナミクスとGANのデータ生成能力を組み合わせた新しいLiquid Generative Adversarial Network(LiquidGAN)を提案する。EPSが確認された患者94名と健常者30名から、両手で描かれたアルキメデス螺旋パターンを用いて手書きデータを収集した。211枚の画像を用いて、事前学習済みResNet50モデルで二値分類と多クラス分類を行った。ResNet50は二値分類で精度92%、適合率97%を達成したが、多クラス分類では精度57%に低下した。一方、LiquidGANは二値分類で精度97%、適合率98%を達成し、多クラス分類では4クラス(軽度、中等度、重度、対照)で精度と適合率70%を達成し、ResNet50を大幅に上回った。LiquidGANは多様でリアルな合成手書きサンプルも生成し、StyleGANと比較してFID、適合率、再現率を改善した。これらの結果は、手書きバイオマーカーが動的な生成学習を通じて分析された場合、EPSのモニタリングに効果的で非侵襲的なアプローチを提供することを示している。
本稿は、精神科治療薬の副作用であるEPSを非侵襲的な手書きバイオマーカーとLiquidGANによって高精度に検出・分類できることを示した研究報告であり、学術的な価値は認められる。しかし、現時点では実用化や事業化に至っておらず、特定の企業による製品発表や資金調達、規制当局の承認などの投資判断に直結する事象は確認できない。研究段階の成果であり、投資家がアクションを起こす材料には乏しい。