Core Concepts
反復経頭蓋磁気刺激治療の反応パターンは一貫性がないため、人工知能を使ってこの治療の結果を予測することが重要である。本研究では、過小表現された機能的MRI接続特徴を持つ患者の合成例を生成することで、訓練データの多様性を高め、分類モデルの性能を向上させる手法を提案する。
Abstract
本研究では、反復経頭蓋磁気刺激治療の結果を予測するための人工知能モデルの性能向上を目的としている。以前の研究で、機能的MRI接続特徴を使ったディープニューラルネットワークモデルが治療結果を予測できることが示されたが、一部の特徴値については正確に予測できないことが明らかになった。
そこで本研究では、Diversity Enhancing Conditional General Adversarial Network (DE-CGAN)と呼ばれる新しい手法を提案する。DE-CGANは、これらの過小表現された特徴値を持つ患者の合成例を生成し、クラスラベルとともに訓練データに追加することで、分類モデルの性能を向上させることを目的としている。
具体的な実験では、DE-CGANで生成した合成患者データを様々な割合で訓練データに追加し、ベースラインモデルや従来のCGANによる合成データと比較している。その結果、訓練データに10%の合成患者データを追加した場合に最も良い性能が得られ、ベースラインモデルよりも有意に高い精度が得られることが示された。
これらの結果は、過小表現された特徴を持つ患者の合成データを生成することで、訓練データの多様性を高め、分類モデルの一般化性能を向上させられることを示唆している。また、このような合成患者データは、精神医学研究においても有用な追加データとなる可能性がある。
Stats
反復経頭蓋磁気刺激治療の予測精度は、訓練データに10%の合成患者データを追加した場合に最も高くなった。