MEGベースの時間葉てんかんの同定と側性化のための解釈可能なマルチスケール指向性時間グラフ学習
Interpretable Multiscale Directed Temporal Graph Learning for MEG-Based Identification and Lateralization of Temporal Lobe Epilepsy
本研究では、脳ネットワークにおける既存の深層学習手法の限界に対処するため、健康対照群(HC)、左時間葉てんかん(lTLE)患者、右時間葉てんかん(rTLE)患者の3クラス分類を目的としたマルチスケール指向性時間グラフ畳み込みネットワーク(MSD-STGNN)を提案する。43名の被験者(HC 14名、lTLE 13名、rTLE 16名)から安静時脳磁図(MEG)データを収集し、デフォルトモードネットワーク(DMN)関連脳領域に基づいて、指向性有効結合ネットワークを6つの周波数帯で構築した。MSD-STGNNは、指向性グラフ畳み込みにより入出力結合情報を個別にモデル化し、階層的マルチバンド注意メカニズムとゲート付き残差補正を用いて周波数帯情報を融合し、ゲート付き再帰型ユニット(GRU)で短期動的特徴を抽出する。5分割交差検証の結果、MSD-STGNNは精度0.836±0.067、マクロF1 0.830±0.065、マクロAUC 0.900±0.055を達成し、ベースラインモデルを上回った。低ガンマ帯とベータ帯への依存度が高いことが示唆され、前頭前野、帯状回、内側側頭部、頭頂部の領域が比較的高い融合重みを示した。本手法は、MEGベースの指向性脳ネットワークから得られる指向性結合、マルチバンド情報、短期動的特徴を統合し、解釈可能性を持つモデリングアプローチを提供するが、小規模な単一施設コホートに基づくため、さらなる検証が必要である。
- MEG(安静時脳磁図)データを用い、健康対照群・左時間葉てんかん・右時間葉てんかんの3クラス分類を行う解釈可能なマルチスケール指向性時間グラフ畳み込みネットワーク(MSD-STGNN)を提案した研究。
- 被験者は43名のみ(HC 14名、lTLE 13名、rTLE 16名)の単一施設コホートで、5分割交差検証による精度0.836±0.067、マクロF1 0.830±0.065、マクロAUC 0.900±0.055を達成しベースラインを上回った。
- デフォルトモードネットワーク(DMN)関連領域に基づき6周波数帯で指向性有効結合ネットワークを構築し、低ガンマ帯・ベータ帯への依存度が高いこと、前頭前野・帯状回・内側側頭部・頭頂部が高い融合重みを示すことを報告。
MEG(脳磁図)とグラフ深層学習を組み合わせたてんかんの側性化(左右同定)は、手術適応判断や侵襲的検査の回避に直結する臨床支援AIであり、BCI・脳機能計測領域の応用として投資テーマになる。ただし本件は被験者43名の単一施設小規模コホートでの研究段階であり、精度0.836はまだ実用閾値とは言い難い。現時点では製品化・薬事・資本調達の発表がなく、脳計測デバイス(MEG装置)ベンダーやてんかん診断支援ソフトの規制承認動向とセットで追跡すべき、マイルストーン未達の初期シグナルとして扱うのが妥当。