arXivに投稿されたプレプリント論文NeuroAlignは、Xiongri Shen氏を含む16名の著者によって2026年5月31日に提出され、コンピュータビジョンとパターン認識（cs.CV）に分類されつつ、人工知能（cs.AI）にも関連付けられている。本研究が扱うのは、機能MRI（fMRI）と拡散テンソル画像（DTI）という相補的な情報を持つ2種類の神経画像を、軽度認知障害（MCI）の分析のためにいかに効果的に統合するかという、長く議論されてきた課題である。機能画像は脳活動の動的な結合パターンを示し、構造画像は白質線維路などの解剖学的基盤を明らかにするため、理論上は両者を組み合わせることでより包括的な判断材料が得られる。しかし実際には、特徴空間の異質性と表現のずれが融合を難しくしている。
こうした課題に対処するため、著者らは構造化されたマルチモーダル融合のための階層型フレームワークであるNeuroAlignを提案している。この枠組みは2つの中核コンポーネントから成る。第一は二重モダリティ階層アラインメント（Dual-Modal Hierarchical Alignment、DMHA）であり、マルチスケールの動的結合性をモデル化し、動的表現と静的表現の間、および機能的埋め込みと構造的埋め込みの間に対応関係を築く。第二は二重ドメイン階層相互作用（Dual-Domain Hierarchical Interaction、DDHI）で、結合性レベルと領域レベルの特徴の間に、細粒度の変調と大域的な相互作用の双方を実現する。このようにアラインメントから相互作用へと至る階層的な設計により、モデルは各モダリティ固有の情報を保ちつつ、統一された表現を形成しようとしている。
予測性能に加えて、解釈可能性も本研究の重要な柱である。研究チームはこのためにSynergistic Activation Mapping（SAM）を設計した。これは勾配を必要とせず、マーカー指向で動作する帰属手法であり、動的機能的結合性（DFC）、静的機能的結合性（SFC）、低周波揺らぎ振幅（ALFF）、異方性分率（FA）といった特徴に個別に適用できる。誤差逆伝播の勾配に依存する従来の可視化手法とは異なり、SAMはマーカーを基準とするため、モデルがどの信号に依拠しているかを特徴レベルで検討しやすい。
実験では、GUTCM、ADNI、OASISの3つのデータセットにおいて5分割交差検証を用いて評価が行われた。その結果、NeuroAlignはMCIおよび主観的認知低下（SCD）の検出タスクで競争力のある性能を示し、データセット間の転移性についても予備的な結果を得ている。ただし論文の記述は慎重であり、転移性はあくまで予備的と位置づけられ、臨床応用に必要な頑健性を主張するものではない点に留意したい。
帰属分析からは、モダリティ固有の脳領域パターンが明らかになると同時に、一部のパターンはモダリティ間で一致することも確認された。これはマルチモーダル表現の分析に対してモデル由来の証拠を提供するものであり、モデルの判断と神経生物学的機序の関係を理解する手がかりにもなる。全体として本研究の貢献は、融合アーキテクチャにおけるアラインメントと相互作用の設計、および付随する特徴レベルの帰属ツールに集約されており、その臨床的価値は、より大規模で多様なデータによる検証を待つ必要がある。