2024年度は、「MLP（multilayer perceptron）による機能的結合解析法の開発」を主要研究テーマとし、Human Connectome Project (HCP) の健常被験者大規模データセットから得られる安静時機能的MRIデータを用いた新たな機能的結合解析手法の開発を推進した。本研究では、予備解析で有効性が示された、隠れ層1層のMLPに適切なweight decayを導入し、「集団モデルの訓練から個人モデルの訓練へ」という転移学習を適用するアプローチを採用した。この手法は、従来のリッジ回帰と比較して、より正確な脳領域間活動推定を実現することを目標としている。
本年度における主要な達成事項として、まず、上記MLPベースの機能的結合解析手法をHCPデータセットから抽出した100名の被験者の安静時機能的MRIデータに適用し、全脳領域の組み合わせにおける領域間活動推定を実行した。その結果、本開発手法による推定精度は、比較対象としたリッジ回帰による推定精度を明確に上回ることを確認できた。この成果は、年度マイルストン1-1「隠れ層1層のモデルでHCP datasetの全被験者、全脳領域の組み合わせに対し、領域間活動推定を行い、その際、リッジ回帰での推定を上回る推定成績を達成する」という目標に対し、提案手法の優越性を示す重要な実証結果となった。
さらに、本研究で得られた高精度な領域間活動推定の結果、およびこれらを用いて算出される機能的結合の指標が、個人の認知機能や属性と関連する可能性に着目し、新たな展開を試みている。具体的には、これらの脳由来情報を用いて被験者の性別を推定する分類モデルの構築を進めており、現在、本手法の導入によって性別推定の成績が向上するか否かについて詳細な検証を行っている段階である。この応用研究は、開発した機能的結合解析手法の実用的な価値を高めるとともに、脳の機能的構造と個人差の関連性理解に貢献しうるものと期待される。