小児ADHD分類のためのEEGベースのトランスフォーマーベース指向性転送エントロピー接続モデリング
Transformer-Based Modeling of Directed Transfer Entropy Connectivity for EEG-Based ADHD Classification in Children
本研究では、注意欠陥・多動性障害(ADHD)の評価を支援するため、EEG信号の非定常性に起因するばらつきに対処する深層学習アーキテクチャ「CTE-Net」を提案する。CTE-Netは、Transformerエンコーダーを用いてEEGウィンドウ内のマルチチャネル表現を文脈化し、その後、チャネルごとの非線形時間フィルタとTakens遅延埋め込みを用いて処理する。さらに、Rényiのαエントロピーと有理二次カーネルで定式化された微分可能な行列ベースの転送エントロピーモジュールにより、全電極ペア間の指向性予測情報依存性を推定する。この接続係数を用いてADHD患者と健常対照群の分類を行う。公開されている小児EEGデータセット(ADHD群と対照群がそれぞれ60名、計120名)で評価した結果、ウィンドウレベルで精度80.9±1.7%、参加者レベルで精度83.4%、ROC-AUC 90.2%を達成した。また、指向性転送エントロピー表現は、分析された表現段階の中で最も低い被験者内分散を示し、生EEGと比較して中央値で38.35%の削減が見られた。これらの結果は、CTE-Netが指向性EEG相互作用を表現し、個々の参加者内のウィンドウ固有のばらつきを軽減するための、コンパクトで解釈可能な方法論的フレームワークであることを示唆している。
- ADHD評価支援のため、EEGの非定常性によるばらつきに対処する深層学習アーキテクチャ「CTE-Net」を提案。Transformerエンコーダーでマルチチャネル表現を文脈化し、微分可能な転送エントロピーモジュールで全電極ペア間の指向性情報依存性を推定する。
- 公開小児EEGデータセット(ADHD群60名・対照群60名、計120名)で、ウィンドウレベル精度80.9±1.7%、参加者レベル精度83.4%、ROC-AUC 90.2%を達成。
- 指向性転送エントロピー表現は分析した表現段階の中で最も低い被験者内分散を示し、生EEG比で中央値38.35%の削減を確認。
EEG解析にTransformerと微分可能な転送エントロピーを組み合わせた研究で、ADHD診断支援という臨床応用の入口を示している。注目点は精度そのものより、被験者内分散を生EEG比で中央値38.35%削減したという表現安定化の成果で、医療AIの実運用では信号のばらつき低減が製品化のボトルネックになるため、ここを解いた手法はNeurotech/医療AI領域の投資テーマとして押さえておきたい。ただし現段階では120名の公開データセットでの学術的検証に留まり、規制承認や企業の商用化は含まれないため、事業化のマイルストーン(大規模追試、薬事、企業提携)を確認してから判断すべき。