精神医学におけるスモールデータとビッグデータのためのディープラーニング

Deep learning for small and big data in psychiatry.

• Georgia Koppe
• Andreas Meyer-Lindenberg
• Daniel Durstewitz

抄録

今日の精神医学は、より効果的で個人に合わせた治療法を提供するために、精神疾患の根底にある共通した明確な病態生理学的メカニズムをよりよく理解しなければなりません。この目的のために、従来の統計学的アプローチを用いた「小規模な」実験サンプルの分析では、精神医学の表現型の根底にある不均一性を捉えることはほとんどできなかったようです。機械学習、特に深層学習からの最新のアルゴリズムとアプローチは、他の分野で優れた予測性能を発揮していることから、これらの問題に対処するための新たな希望を与えてくれます。ディープラーニングアルゴリズムの強みは、非常に複雑で、原理的には任意の予測因子と反応のマッピングを効率的に実装できることです。このパワーは代償として、モデルパラメータを推論するために（時には数百万以上の）大規模なトレーニング（およびテスト）サンプルが必要になります。このことは、これまでの精神医学のヒト研究ではまだ利用可能なサンプル数が少ない（n<10,000）ことや、単一の被験者レベル（n=1）で治療を予測しようとする野心とは相反するように思われる。ここでは、このようなモデルをどのようにして精神医学における予測に用いることができるのか、包括的な概要を示すことを目的としています。機械学習アプローチが従来の統計的仮説駆動型アプローチと比較してどうなのか、その複雑さと大規模なサンプルサイズの必要性との関係はどうなのか、精神神経科学においてこれらの強力な技術を最適に使用するためにはどうすればよいのかを検討します。

Psychiatry today must gain a better understanding of the common and distinct pathophysiological mechanisms underlying psychiatric disorders in order to deliver more effective, person-tailored treatments. To this end, it appears that the analysis of 'small' experimental samples using conventional statistical approached has largely failed to capture the heterogeneity underlying psychiatric phenotypes. Modern algorithms and approaches from machine learning, particularly deep learning, provide new hope to address these issues given their outstanding prediction performance in other disciplines. The strength of deep learning algorithms is that they can implement very complicated, and in principle arbitrary predictor-response mappings efficiently. This power comes at a cost, the need for large training (and test) samples to infer the (sometimes over millions of) model parameters. This appears to be at odds with the as yet rather 'small' samples available in psychiatric human research to date (n < 10,000), and the ambition of predicting treatment at the single subject level (n = 1). Here, we aim at giving a comprehensive overview on how we can yet use such models for prediction in psychiatry. We review how machine learning approaches compare to more traditional statistical hypothesis-driven approaches, how their complexity relates to the need of large sample sizes, and what we can do to optimally use these powerful techniques in psychiatric neuroscience.