Jaist東京社会人コースの口頭試問で使用した資料。

1. JAISTで り みたい
研 題

2. 1.研
常者と 失 者のコネクトームの 異を発⾒する⼿ の開発
*1: 領域の 状 。
*2: 等の 状が る精 。コネクトームの が と われている。
*3:⾎流から 領域の活性状 を測 した 。
*4:グラフ形式のデータを える モデル。
常者
失
者
fMRI
fMRI
グラフ形式のコネクトームデータ
グラフ形式のコネクトームデータ
input
input
Graph Convolutional Network
output
常者?
失 者
常者と 失 者のfMRI から作成したコネクトームデータを データとし、Graph Convolutional Network を⽤いて識別 を構築。
識別に貢 度の かったノードやエッジを し、 の 科 の知⾒と する。
*1
*2 *3 *4
常者と 失 者の
コネクトームの 異?

3. 2.背 と⽬的
SVM等の⼿ で 常者と精 者を 別することは
来てきているが、何が 者を てているのかは には
らかになっていない
現状のコネクトーム の問題点 研 でのアプローチ
Graph Convolutional Networkを⽤いることで、
別 果への貢 度が かったノードやエッジを でき
る
研 の⽬的 常者と精 者のコネクトームの 異を発⾒することで、 間の 知に重 な 領域・ 領域間の を発⾒する
先⾏研 の 題と 研 でのアプローチ
先⾏研 ・⽣物 野での研 から、 失 は の領域間で情 の が 来なくなることに すること、また 桃
体、 ⾺、⼤ ⽪ の前頭葉や側頭葉といった領域が に わりが⼤きいことが⽰ されている。
常者と精 者のfunctionalMRIやdiffusionMRI から作成したコネクトームデータを⽤いて、 者の予 の
予測や の 別を⾏う研 が⾏われてきた。

4. 3.⼿ とデータソース
モデルにおいて、識別への貢 度
が かった箇 を する⼿ 。
下の式で 算される を貢 度とする。
式:
⼒:x, の ⼒:x'
典:Axiomatic Attribution for Deep
Networks
fMRI
Human Connectome Project,OpenfMRIな
どのオープンデータを 得する。
fMRI →コネクトームデータへの
下で 開されている⼿ か、 を
inputとできるようなモデルを構築する
https://github.com/neurodata/m2g
グラフ形式で配布されているデータ
https://neurodata.io/mri/
から 得する。
グラフ形式のデータを える モデ
ル。
グラフ内の各ノードに し、そのノードが
するノードの を⽤いて畳み みを⾏
い、 徴量を抽 する。
典:Modeling Relational Data with
Graph Convolutional Networks
input
Graph Convolutional Network
output
常者?
失 者
常者と 失 者の
コネクトームの 異?
データソース Graph Convolutional Network Integrated Gradients
fMRI コネクトームデータ

5. 4. 念事項と 処
念事項①
念事項②
精度が何% 上 たら 常者と精 者のコネクトームの いを捉えたモデルが 来たと って良いのか不
⼀旦80%の精度を⽬標とする
の 科 の知⾒と異なる 領域や が 常者と精 者の いとして された 、 の知⾒として えて
いいのか、⼿ が っているのか 価ができない
モデルの精度が80%を超えていたら の知⾒と⾒なし、wet の研 と して 領域の活動を制 したマウス
を⽤いて を⾏う

6. 5.
期履 制度を利⽤し、⼆年半での ⼠ 得を⽬標とする。
2020/10~2021/4
・グラフ理論、 科
の先⾏研 査
・現在想 している⼿
での 期
2021/10~2022/4
・精度
・ ⼠論 草 作成
2022/4~2022/10
・ ⼠論 作成 了
・論
2022/10~2023/4
・査
2021/4~2021/10
・精度
・別⼿ の 査