拡散MRI（dMRI）の構造コネクトーム解析は、多施設研究において重要な課題に直面している。異なるサイト、スキャナー、取得プロトコルによって導入される変動が、年齢や疾患などの生物学的変動と混ざり合い、解析の信頼性を損なうからである。従来の次元削減法（PCAなど）はすべての変動を連続として扱うため、取得効果が連続潜在空間に吸収され、分離が困難になる。近年、混合潜在空間モデル（VAEの変種など）が離散成分と連続成分を組み合わせてこの問題に対処しているが、離散成分が意図した変動を捉えるように手動で容量を調整する必要があり、主観的で手間がかかる。
複数の研究機関からなる研究チームは、アーキテクチャアニーリング（architectural annealing）という手法を用いて、手動調整を完全に排除した教師なしフレームワーク「Joint-VAE」を提案した。この手法は、デコード前にエンコーダ出力にアーキテクチャアニーリングを施すことで、モデルが訓練中に離散と連続の潜在変数を自律的にバランスする。具体的には、エンコーダとデコーダの間に学習可能なアニーリング機構を挿入し、離散経路と連続経路の重みを動的に調整することで、モデル自体がどの変動を離散的な取得カテゴリに、どの変動を連続的な生物学的因子に帰属させるかを決定できるようにする。
提案手法の厳密な評価のため、研究者は13研究から得られた7,416個のdMRI構造コネクトームからなる大規模データセットを構築した。年齢範囲は2歳から102歳、25のユニークな取得パラメータ組み合わせを含む。うち5,900は認知正常、877は軽度認知障害（MCI）、639はアルツハイマー病（AD）である。Joint-VAEを標準VAE、PCAとk-meansクラスタリングの組み合わせ、損失関数のみでアニーリングするハイブリッドモデルと比較した。結果として、調整ランド指数（ARI）で測ったサイト学習性能において、アーキテクチャアニーリングはARI=0.53（p<0.05）を達成し、すべてのベースラインを有意に上回った。
この成果は、滑らかな構造とカテゴリ構造を同時にモデル化することで、Joint-VAEがスキャナーやプロトコルの差異に沿ったクラスタを教師なしで復元し、同時に年齢や疾患などの連続的な生物変数を保持できることを示している。本フレームワークは、dMRIデータ解析における取得変動の自動処理に新たな道を開き、多施設神経画像研究の信頼性と再現性を向上させることが期待される。