動的グラフニューラルネットワークによるfMRI時系列予測と脳の有効結合推定

カテゴリ：部門大会

論文No：PS1-6

グループ名：【C】2025年電気学会電子・情報・システム部門大会

発行日：2025/8/20

タイトル(英語)：Dynamic Graph Neural Networks for fMRI Time Series Prediction and Effective Brain Connectivity Estimation

著者名：田邊 陸（東京大学）,新沼 拓豊（東京大学）,長木 彩香（東京大学）,杉野 正和（東京大学）,榛葉 健太（東京大学）,小谷 潔（東京大学）

著者名(英語)： Riku Tanabe (Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo),Takuto Niinuma (Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo),Ayaka Choki (Department of Precision Engineering, Faculty of Engineering, The University of Tokyo),Masato Sugino (Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo),Kenta Shimba (Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo),Kiyoshi Kotani (Department of Human and Engineered Environmental Studies, Graduate School of Frontier Sciences, The University of Tokyo)

キーワード：因果推論,有効結合,グラフニューラルネットワーク,安静時fMRI,深層学習,Causal inference,Effective connectivity,Graph neural networks,Rs-fMRI,Deep learning

要約(日本語)：脳領域間の活動の因果関係を表す有効結合は、脳疾患の理解や脳機能の解明に向けた応用が期待されており、有効結合の推定において、高い空間分解能で脳活動情報を取得できるfMRIが用いられている。近年、グラフニューラルネットワークなどの深層学習モデルにより、時空間データの背後に存在する因果関係を推定する手法が提案されている。一方で、脳領域間の相互作用には時間的変動が認められるものの、ネットワーク構造の時間変動性を考慮したモデルのfMRIへの適用は限られてきた。本研究では、ネットワーク構造の時間変動性を考慮した動的グラフニューラルネットワークを用いてfMRIの因果推論および将来値予測を行い、精度の高い予測が可能であることを検証した。時空間ダイナミクスを高精度に捉える提案手法において推定された脳領域間の因果関係は、有効結合として妥当であることが示唆される。

本誌掲載ページ：1542-1544p

原稿種別：日本語

PDFファイルサイズ：332Kバイト