- Soltani-Nejad, M., Salar-pour, F., Rakhshan, S. A., & Nezamabadi-pour, H. (2025). Enhanced hybrid deep neural network for EEG-based schizophrenia diagnosis using functional and temporal features. Scientific Reports, 15, 42592. https://doi.org/10.1038/s41598-025-26627-4
統合失調症の診断は、現在も臨床医の主観的評価に大きく依存しており、誤診のリスクや診断の遅れが課題となっている。本研究では、脳波（EEG）信号を用いた客観的かつ高精度な自動診断フレームワークを提案した。提案手法の核となるのは、脳波から抽出した「時間的特徴（分散や絶対エネルギーなど）」と、脳領域間の通信を示す「機能的特徴（PLIやPLVなどの接続性指標）」の双方を統合的に学習するハイブリッド深層ニューラルネットワークである。健常者と統合失調症患者から取得したEEGデータを用いた検証において、このハイブリッドモデルは、SVMや従来のCNN、MSSTNetといった既存の手法を大きく上回る99%以上の分類精度を達成した。特筆すべきは、異なる次元の特徴量を並列処理するアーキテクチャにより、脳内の複雑なダイナミクスを効果的に捉えた点であり、精神疾患の診断支援における客観的指標としての有用性が示唆された。
イントロ
統合失調症は、認知、感情、社会的行動に深刻な影響を及ぼす精神疾患であり、個人の幸福や社会機能、感情調整能力を著しく損なう。この疾患は通常、遺伝的脆弱性、環境的影響、心理社会的ストレスの相互作用によって20代から30代にかけて発症する。効果的な治療には早期発見が不可欠であるが、確定的なバイオマーカーが存在しないため、現在の診断は主に主観的な臨床評価に依存しているのが実情である。このような主観的評価は時間がかかる上に一貫性に欠け、誤診のリスクを伴う。誤診は不適切な治療につながり、重篤な場合には患者の罹患率や死亡率を高める可能性があるため、臨床医を支援するインテリジェントでデータ駆動型の診断手法の確立が急務となっている。
こうした課題に対処するため、脳の活動を直接測定できる脳波（EEG）などのニューロイメージング技術への関心が高まっている。EEGは非侵襲的かつ高い時間分解能を持ち、統合失調症に関連する固有の脳活動パターンを明らかにする可能性を秘めている。本研究では、EEG信号を活用して統合失調症を正確に診断するための新しいフレームワークを提案する。このアプローチは、従来の手法の限界を克服し、診断の客観性と効率性を向上させることを目的としている。具体的には、EEGデータから抽出された補完的な2種類の特徴量を同時に活用するハイブリッド深層ニューラルネットワークを構築し、高い診断精度の実現を目指した。
研究方法
本研究の方法論は、EEG記録のセグメンテーション、特徴抽出、そしてハイブリッド深層ニューラルネットワークによる分類という体系的なプロセスに基づいている。データセットには、統合失調症と診断された患者グループおよび健常対照グループから収集されたEEGデータが使用された。被験者が視覚課題を行っている間にEEG信号が記録され、アーチファクトやノイズを除去するための前処理が施された。一貫した特徴抽出を保証するために、データは重複しない25秒間の時間枠に分割された。
本研究の核心部分は、生のEEG信号をそのまま分類器に入力するのではなく、統合失調症に関連する複雑な神経ダイナミクスを表現するために不可欠な2つの主要なカテゴリの特徴を抽出する点にある。第一は「時間的特徴」であり、これは各チャンネルを個別に分析して得られるものである。具体的には、分散、絶対エネルギー、自己回帰（AR）係数、Hjorth Mobilityなどが含まれる。第二は「機能的特徴」であり、これはチャンネルのペア間の相互作用、すなわち脳領域間の接続性を捉えるものである。これには、位相遅れ指数（PLI）、位相同期値（PLV）、ピアソン相関係数が採用された。
従来のサポートベクターマシン（SVM）やk近傍法（KNN）などの分類器は、事前に定義された特徴セットに依存しており、次元の異なる入力を効率的に処理することが困難である。また、畳み込みニューラルネットワーク（CNN）は構造化されたデータを扱えるが、異質な特徴タイプを統合する際には依然として制限がある。この問題を解決するために、本研究では2つの独立した入力ブランチを持つニューラルネットワークアーキテクチャを提案した。この構造により、モデルは異なる次元の特徴（時間的特徴と機能的特徴）を単一のフレームワーク内で効果的に結合することが可能となる。これにより、特徴タイプごとに複数のモデルをトレーニングする必要がなくなり、EEG特性のより包括的な表現が可能となった。提案されたモデルの有効性を厳密に評価するために、正解率（Accuracy）、特異度（Specificity）、感度（Sensitivity）、およびROC曲線下面積（AUC）という4つの主要な指標が用いられた。
結果
提案されたハイブリッド深層ニューラルネットワークの性能は、k-foldクロスバリデーションを用いて評価され、SVM、KNN、標準的なCNN、およびMSSTNetといった確立された手法と比較された。実験の結果、提案手法は比較対象となったすべての従来手法を凌駕する優れたパフォーマンスを示した。
具体的には、時間的特徴と機能的特徴の最適な組み合わせ（PLI、PLV、ピアソン相関係数、分散、絶対エネルギー、AR、Hjorth Mobility）を入力とした場合、提案モデルは99%を超える分類精度を達成した。これは、単一の種類の特徴量のみを使用した場合や、従来の機械学習アルゴリズムを使用した場合と比較して有意に高い数値である。例えば、CNN単体で機能的特徴のみを使用した際の結果も97%から99%と高水準であったが、ハイブリッドモデルはこれらをさらに上回る安定した性能を示した。
特筆すべきは、混同行列による分析結果である。409の統合失調症データと394の健常者データを含む合計803の時間枠に対する分類において、提案手法は偽陰性（実際は統合失調症であるのに健常と予測されたケース）を極めて低く抑えることに成功した。これは、見落としが許されない医療診断支援システムにおいて極めて重要な特性である。また、ROC曲線およびAUCスコアにおいても、提案手法は他の手法と比較して最も理想的なカーブを描き、高い識別能力を実証した。MSSTNetのような転移学習を用いた比較的新しい手法に対しても、提案手法は並列学習ネットワークを取り入れている点で優位性を示し、より効果的な応答を実現した。
| Method | Accuracy (正解率) | Specificity (特異度) | Sensitivity (感度) | AUC (曲線下面積) |
|---|---|---|---|---|
| Proposed Method (Optimal) | 99.12% | 99.24% | 99.03% | 99.13% |
- Proposed Method (Optimal): 機能的特徴（PLI, PLV, Pearson Correlation Coefficient）と時間的特徴（Variance, Absolute Energy, Auto Regression, Hjorth Mobility）を組み合わせたハイブリッドモデルの結果。
- 比較手法の傾向: 論文の記述によると、CNN（機能的特徴使用時）は正解率 98.5%〜99.2%、SVM（機能的特徴使用時）は 95%〜98% 程度の範囲であることが示されているが、提案手法はこれらと比較して、特に感度（Sensitivity）や特異度（Specificity）のバランスにおいて一貫して高い性能（誤分類の少なさ）を示していると報告されている。
考察
本研究の結果は、統合失調症の診断においてEEGベースのアプローチが極めて有効であることを示している。特に、時間領域の信号特性と脳領域間の機能的接続性を同時に考慮することで、診断精度が飛躍的に向上することが明らかになった。これは、統合失調症が単なる局所的な脳機能の異常ではなく、脳全体のネットワーク結合の障害（切断症候群としての側面）を含む複雑な病態であることを反映していると考えられる。ハイブリッド深層ニューラルネットワークは、これらの多面的な情報を統合し、人間の専門家でも判別が困難な微細なパターンを学習することに成功したと言える。
本研究の成果は、主観的な臨床評価に依存する現在の診断プロセスの限界を克服し、客観的かつ効率的な診断支援ツールを提供する上で有望な道筋を示している。高い感度と特異度は、誤診を減らし、早期治療介入を促進することに寄与するだろう。しかしながら、本研究にはいくつかの限界も存在する。現在のデータセットは特定のタスク条件下で収集されたものであり、より大規模かつ多様な集団に対する一般化可能性についてはさらなる検証が必要である。また、統合失調症は他の精神疾患や神経疾患と症状が重複する場合があるため、今後は多クラス分類（例えば、双極性障害やうつ病との鑑別など）への拡張が求められる。
結論として、機能的特徴と時間的特徴を融合したハイブリッド深層ニューラルネットワークは、統合失調症の自動診断において極めて高い性能を発揮した。この技術は、精神科医療における診断の客観性を高め、臨床医の意思決定を強力にサポートするツールとなる可能性を秘めている。今後の研究では、データセットの拡大や実臨床環境での適用可能性の探求、さらには複数の精神疾患を同時に検出できるシステムの構築へと発展させることが期待される。これにより、精神神経疾患の診断学における広範な進歩の基礎が築かれることになるだろう。
