マルチモーダル神経イメージングは、fMRIからの機能的接続性とDTIからの構造的接続性を統合し、グラフニューラルネットワーク（GNN）を用いて脳ネットワークを非侵襲的に解析することを可能にする。このアプローチは脳疾患の診断と分類において大きな可能性を示している。しかし、年齢や性別などの人口統計学的要因は、脳の接続性と臨床転帰の関係を系統的に交絡させ、GNNが因果的に不変な表現を学習する代わりに、見せかけの近道を利用する原因となる。最近の因果GNN手法はグラフモデリングレベルで因果性を導入するが、その因果メカニズムは領域に依存せず、臨床神経画像データに内在する現実の交絡因子を考慮していない。さらに、脳ネットワークはアトラスベースのパーセレーションから構築され、各領域は人口統計学的要因に対して異なる感度を示すため、領域を考慮した調整が必要となる。
この課題に対処するため、複数の研究機関のチームがArtemisフレームワークを提案した。Artemisは領域レベルの因果フレームワークであり、各脳領域に独立に因果介入を行い、軽量なパラメータで領域固有の交絡因子表現を学習することで、交絡因子の影響を効果的に除去する。この調整は、グラフ推論のためのマルチモーダルな機能的および構造的特徴を包括的に活用し、任意のGNNバックボーンと互換性のあるプラグインモジュールとして設計されている。研究者らは、ADNI（疾患診断）、OASIS（認知症ステージング）、HCP（性別分類）の3つのベンチマークでArtemisの性能を評価した。実験結果は、Artemisがすべてのタスクで代表的なGNNベースラインを一貫して上回ることを示した。さらに、複数の補助実験により、統計的有意性と神経科学的解釈可能性が実証され、臨床的に関連性が高くロバストな脳ネットワーク表現を学習できることが示された。
Artemisの提案は、神経画像解析における交絡因子除去に新たな道を開くものである。これは、臨床診断におけるGNNのロバスト性と解釈可能性を向上させるだけでなく、将来の研究のためのプラグアンドプレイモジュールを提供する。領域レベルの因果介入により、Artemisは臨床医が疾患関連の脳ネットワーク変化をより正確に特定し、診断と予後評価を改善するのに役立つと期待される。この研究は、マルチモーダル神経イメージングの因果分析の基盤を築き、実際の臨床環境でのGNN応用の大きな可能性を示している。具体的には、Artemisフレームワークの核心的な革新は領域レベルの因果介入メカニズムにある。全体的な交絡因子調整手法とは異なり、Artemisは各脳領域に対して独立に軽量な表現を学習し、その領域特有の交絡因子パターンを捕捉する。そして、これらの表現を用いて対応する脳領域の機能的・構造的接続特徴を調整し、交絡の影響を除去する。この領域を考慮した調整により、モデルは臨床転帰と真に因果関係のある脳ネットワークパターンに集中できる。ADNIデータセットでは、アルツハイマー病診断タスクで有意に高い精度を達成し、OASISデータセットでは認知症重症度のステージングで優れた性能を示し、HCPデータセットでは性別分類タスクでベースラインを上回った。これらの結果は、さまざまな応用シナリオにおけるArtemisの汎用性と有効性を証明している。