精神疾患などの脳への影響を深層学習と機械学習を使用して調査

ジョージア州立大学の研究チームは、ディープラーニングを使用し精神疾患その他障害が脳に与える影響を調査しました。
研究は、適切にトレーニングされた場合、深層学習の方が優れた結果を出し、体温や喫煙有無などの単一の数値測定を診断する場合は機械学習の方が優れている事を示しました。

Advanced biomedical technologies such as structural and functional magnetic resonance imaging (MRI and fMRI) or genomic sequencing have produced an enormous volume of data about the human body. By extracting patterns from this information, scientists can glean new insights into health and disease. This is a challenging task, however, given the complexity of the data and the fact that the relationships among types of data are poorly understood.

参照元：https://news.gsu.edu/2021/01/13/deep-learning-outperforms-standard-machine-learning-in-biomedical-research-applications-research-shows/
– ジョージア州立大学 Georgia State University. JANUARY 13, 2021 –

ジョージア州立大学が主導するネイチャーコミュニケーションズの新しい研究によると、標準的な機械学習モデルと比較して、深層学習（ディープラーニング）モデルは、アーキテクチャがより複雑であるにもかかわらず、脳イメージングの識別パターンと識別機能において大幅に優れています。

構造的および機能的磁気共鳴画像法（MRIおよびfMRI）やゲノム配列決定などの高度な生物医学技術により、人体に関する膨大な量のデータが生成されています。

この情報からパターンを抽出することにより、科学者は健康と病気に関する新しい洞察を集めることができます。

ただし、データの複雑さと、データの種類間の関係が十分に理解されていないという事実を考えると、これは困難な作業です。

高度なニューラルネットワーク上に構築されたディープラーニングは、多くのソースからのデータを組み合わせて分析することにより、これらの関係を特徴づけることができます。

ニューロイメージングおよびデータサイエンスの翻訳研究センター（TReNDS）では、ジョージア州の研究者がディープラーニングを使用して、精神疾患やその他の障害が脳にどのように影響するかについて詳しく学んでいます。

ディープラーニングモデルは、さまざまな分野で問題を解決し、質問に答えるために使用されてきましたが、一部の専門家は懐疑的なままです。

最近の批評的な論評は、脳画像データを分析するための標準的な機械学習アプローチとディープラーニングを不利に比較しています。

ただし、調査で示されているように、これらの結論は、前処理された入力に基づいていることが多く、その主な利点である前処理をほとんどまたはまったく行わずにデータから学習する能力をディープラーニングから奪います。

TReNDSの研究科学者で論文の筆頭著者であるAneesAbrol氏は、古典的な機械学習と深層学習（ディープラーニング）の代表的なモデルを比較し、適切にトレーニングされた場合、深層学習（ディープラーニング）の方法が大幅に優れた結果をもたらし、優れた表現を生成する可能性があることを発見しました

TReNDSコンピュータサイエンスの教授で機械学習ディレクターであるSergeyPlis氏は話します。

「これらのモデルを並べて比較し、統計プロトコルを観察して、すべてが※アップルトゥアップル（同一条件の比較）になるようにしました。また、ディープラーニングモデルのパフォーマンスが期待どおりに向上することを示しています。」

If you thought it is safer to shy away from the much ado about deep learning and safely stick to linear and good old ML models – have no fear! As we @aneesabrol @vdcalhoun show, deep learning will benefit neuroimaging too. Spread the news 😉 https://t.co/VWwwX0k6T9

— Sergey Plis (@PlisSergey) January 13, 2021

Plis氏は、標準的な機械学習が深層学習（ディープラーニング）よりも優れている場合があると述べました。

たとえば、患者の体温や患者がタバコを吸うかどうかなどの単一の数値測定をプラグインする診断アルゴリズムは、従来の機械学習アプローチを使用するとより効果的に機能します。

Plis氏は話します。

「アプリケーションに画像の分析が含まれる場合、または情報を失うことなく単純な測定に実際に抽出できない大量のデータが含まれる場合は、ディープラーニングが役立ちます。これらのモデルは非常に複雑な問題のために作られています。多くの経験と直感を持ち込む必要があります。」

ディープラーニングモデルの欠点は、最初は「データが不足している」ため、多くの情報についてトレーニングする必要があることです。

しかし、これらのモデルがトレーニングされると、共著者であるTReNDSのディレクターでDistinguished Universityの心理学教授であるVinceCalhoun氏は、単純な質問に答えるのと同じように、複雑なデータの連なりを分析するのに効果的ですと語ります。

Calhoun氏は話します。

「興味深いことに、私たちの研究では、100から10,000のサンプルサイズを調べましたが、すべての場合において、深層学習（ディープラーニング）アプローチの方が優れていました。」

もう1つの利点は、科学者が深層学習（ディープラーニング）モデルを逆分析して、データに関する結論にどのように到達しているかを理解できることです。

公開された研究が示すように、訓練された深層学習（ディープラーニング）モデルは、意味のある脳のバイオマーカーを特定することを学びます。

Abrol氏は話します。

「これらのモデルは独自に学習しているので、正確にするために調査している特徴を明らかにすることができます。モデルが分析しているデータポイントをチェックし、それを文献と比較して、モデルが見るように指示した場所の外で何を見つけたかを確認できます。」

研究者たちは、深層学習（ディープラーニング）モデルが、この分野ではまだ知られていない説明や表現を抽出し、人間の脳がどのように機能するかについての知識を深めるのに役立つと考えています。

彼らは、深層学習（ディープラーニング）モデルの弱点を見つけて対処するにはさらに研究が必要ですが、数学的な観点から、これらのモデルが多くの設定で標準の機械学習モデルよりも優れていることは明らかであると結論付けています。

Plis氏は話します。

「ディープラーニングの約束は、おそらくニューロイメージングに対する現在の有用性をまだ上回っていますが、これらの技術には多くの本当の可能性が見られます。」