ニューロテクノロジーの課題と未来 応用脳科学アカデミー アラヤにおけるニューロテック事業の取り組みと将来の展望：株式会社アラヤ https://www.can-neuro.org/2022/2022_technical/2022-tech_2/2971/ 概要: 世界の主要地域で、ニューロサイエンスのプロジェクトの大規模化と取得するデータのマルチモダル化進んでいる。これに伴って、データの統合を進めるための基盤が求められている。しかし、これを阻む３つの困難がある。まず、データをどのように統合するのかという問題がある。これまでの脳活動を神経細胞レベルで模倣するスパイキングネットワークでは、スーパーコンピュータを用いた研究が行われてきたが、大規模で正確データを取得する必要があるためデータ統合に時間がかかる。また、人間ではこの方法はほぼ利用することができない。また、そもそも各機関が取得したデータの活用が進んでいない一方で、管理費も高まっている。さらに、ヒトのデータを大量に利用するには、プライバシーに配慮したデータの管理が必要になるため、簡単にデータを取得できないという事情がある。これらの課題を解決する技術として、脳活動を模倣するニューロツイン、個人がデータ管理を担当する分散型データ基盤、プライバシーを考慮しエッジで学習を行う連合学習が出てきた。本発表では、発表者の研究を最初に振り返りつつ、ニューロサイエンスの不可避の変動を取り上げつつ、ニューロテックを変えるかもしれないニューロツイン、分散型データ基盤、連合学習を含むAIの３つの技術について紹介し、ニューロテックの未来を概観したい。

1. 1
Hiro Taiyo Hamada, Ph.D
Araya Inc.
ニューロテクノロジーの課題と未来
ニューロツイン, 分散型データ基盤, 分散型機械学習
@HiroTHamadaJP

2. ©
2020
目次
1. ニューロサイエンスの大規模化と課題
a. 各国の研究開発
b. ニューロサイエンスの大規模化の課題
c. アラヤの取り組み
1. ニューロテックにおける有望な技術について
a. ニューロツイン
b. 分散型データ基盤
c. 分散型機械学習
1. まとめ

3. ©
2020
目次
1. ニューロサイエンスの大規模化と課題
a. 各国の研究開発
b. ニューロサイエンスの大規模化の課題
c. アラヤの取り組み
1. ニューロテックにおける有望な技術について
a. ニューロツイン
b. 分散型データ基盤
c. 分散型機械学習
1. まとめ

4. ©
2020
神経科学の技術応用 = ニューロテック
Synchron
Neuralink
Kernel

5. ©
2020
神経科学のプロジェクトは大規模化
https://www.araya.org/randd/neurotech1/
ニューロツイン

6. ©
2020
異なるモダリティの統合
[Salinas et al., 2018]

7. ©
2020
データの規格化による組織のハブ化
多次元データ&
APIの提供
Allen Institute etc.

8. ©
2020
データの規格化による組織のハブ化
多次元データ&
APIの提供
研究チームA 研究チームB 研究チームC
内部データ
開発環境
内部データ
開発環境
内部データ
開発環境
Allen Institute etc.

9. ©
2020
データの規格化による組織のハブ化
多次元データ&
APIの提供
研究チームA 研究チームB 研究チームC
内部データ
開発環境
内部データ
開発環境
内部データ
開発環境
論文化
Allen Institute etc.

10. ©
2020
データの規格化による組織のハブ化
多次元データ&
APIの提供
研究チームA 研究チームB 研究チームC
内部データ
開発環境
内部データ
開発環境
内部データ
開発環境
Allen Institute etc.
論文化
引用/利用率
増加

11. ©
2020
ニューロサイエンスにおけるデータの規格化
データの規格化
❏ データを構造化し利便性の向上
例
❏ NWB
❏ BIDS
メリット
❏ 検索性の向上
❏ データ再利用
❏ 開発環境の統一化
❏ 資源の有効活用
Neurodata without borders (NWB)
Brain Imaging Data Structure (BIDS)
[Rübel et al., 2022]
[Gorgolewski et al., 2015]

12. ©
2020
研究大規模化に伴うプロジェクト内の課題
1. データ処理が複雑化
→ 処理システムを構築できない
→ 論文に何を記述すべきかよくわ
からない
2. 雇用の短期化 & 技術者不足
→ データの保守やツール開発人材が不足
→ 多次元データ解析ツールがない

13. ©
2020
外部委託による解決
❏ 複数の研究チームが利用できる
解析ツールを外部組織に委託
❏ 需要に合わせて機能を追加
❏ リサーチDXの需要
イメージング解析用
ソフトウェア
研究チームA 研究チームB 研究チームC
データ
開発環境
データ
開発環境
データ
開発環境
外部組織

14. ©
2020
❏ OIST 神経計算ユニットと協働
optnist: Ca2+イメージングデータのデータ解析ツール
提案者 (神経計算ユニット)
Kenji Doya, Yukako Yamane
主要開発者 (アラヤ)
Shogo Akiyama, Yoshifumi Takeshima
プログラム
https://github.com/oist/optinist
処理/視覚化のGUIによる操作

15. ©
2020
中間まとめ
❏ 神経科学におけるプロジェクトの大規模化
❏ 多次元データ化
❏ データ規格化
❏ ツールの需要
❏ 課題
❏ データ処理の複雑化
❏ 雇用の短期化
❏ 提案
❏ ツール開発の外部化

16. ©
2020
ニューロサイエンスにおけるデータ共有の課題
1. 活用方法の不足:
 データ共有をしても活用方法が限定されている
2. データ管理費の増大:
 データがそもそも共有されずデータ管理費が高まる
3. プライバシーの問題:
 プライバシーの問題がありデータにアクセスできない

17. ©
2020
ニューロサイエンスにおけるデータ共有の課題
1. 活用方法の不足:
❏ データ共有をしても活用方法が限定されている
❏ 提案1: ニューロツイン
2. データ管理費の増大:
❏ データがそもそも共有されずデータ管理費が高まる
❏ 提案2: 分散型ID (& 暗号化技術)
3. プライバシーの問題:
❏ プライバシーの問題がありデータにアクセスできない
❏ 提案3: 分散型機械学習 (& 暗号化技術)

18. ©
2020
ニューロツイン(NT): 全脳シミュレーター
https://ebrains.eu/
EBRAINS:
ヨーロッパを中心としたチーム
Human Brain Projectによる援助
デジタルツインの脳版:
個人の脳データを組み合わせて
全脳のシミュレーターを構築

19. ©
2020
ニューロツインは天気予測と似ている
逐次データを加えた
気象モデルの構築
衛星画像 レーダー情報
微分方程式による
気象モデル
実計測データ
モデル予測
逐次データあり
モデル予測
逐次データなし

20. ©
2020
ニューロツイン=データ統合プラットフォーム
❏ 多次元データの統合プラットフォーム
❏ 神経投射(DTI etc)
❏ タンパク質等の発現 (PET)
❏ 脳活動 (EEG/fMRI etc)
❏ データ同化技術により
❏ 個人データの再利用
❏ 個々人の脳状態に合わせたデジタ
ル脳を作成
❏ 刺激や投薬を個人に最適化
[Luppi et al., 2022]

21. ©
2020
ニューロツインによる刺激応答の予測
❏ うつ病患者の電気刺激等のターゲット
領域の設定 [Wang et al., 2022]
❏ 全脳モデルの構築
❏ DTIデータ(構造結合)
❏ fMRIデータ(機能結合)
❏ 脳領域をモデル上で興奮/抑制刺激
❏ 健常者の脳状態に誘導できる脳領
域を選定

22. ©
2020
ニューロツインも持つ課題など
❏ データへ適合させる手法が未成熟
❏ 個別データを逐一適合させる必要
❏ 多次元データが不十分
❏ 安静時fMRIなど限定的な状態を
ターゲット
❏ ソフトウェア開発が必要
❏ プライバシーの観点から1つの病
院で保存?
[Schirner et al., 2022]
Brain simulation as a cloud service

23. ©
2020
ニューロツインも持つ課題など
❏ データへ適合させる手法が未成熟
❏ 個別データを逐一適合させる必要
❏ 多次元データが不十分
❏ 安静時fMRIなど限定的な状態を
ターゲット
❏ ソフトウェア開発が必要
❏ プライバシーの観点から1つの病
院で保存?
[Schirner et al., 2022]
Brain simulation as a cloud service

24. ©
2020
ニューロサイエンスにおけるデータ共有の課題
1. 活用方法の不足:
❏ データ共有をしても活用方法が限定されている
❏ 提案1: ニューロツイン
2. データ管理費の増大:
❏ データがそもそも共有されずデータ管理費が高まる
❏ 提案2: 分散型ID (& 暗号化技術)
3. プライバシーの問題:
❏ プライバシーの問題がありデータにアクセスできない
❏ 提案3: 分散型機械学習 (& 暗号化技術)

25. ©
2020
分散型ID: 組織から独立したIDの利用
https://note.com/masa256k1/n/na505d57bce1d
❏ 自己主権型アイデンティティ運動
❏ Self Sovereign Identity/SSI
❏ 顧客が企業に『自分自身の意思で属性
を提供する』かを決定する。
❏ 顧客側
❏ ターゲティング広告からの脱却
❏ 個人によるデータ管理
❏ 機関側
❏ データ保存のコスト削減
❏ データ収集のアクションが必要
現在のモデル SSIモデル

26. ©
2020
分散型IDの活用例1: データの自己管理
病院A
病院B
診断A
3. 診断Aの提供
脳画像 健康情報
分散型ID
個人
2.認証
1.認証申請 診断情報
❏ 分散型IDにデータなどの位置情報などを紐づける
❏ クラウドなどで管理

27. ©
2020
分散型IDの活用例2: パーソナルAIの活用
分散型ID
パーソナルAI
❏ 広告リスト送り、パーソナルAIが商品の提案
❏ 企業は承認なしにターゲティング広告はできない
広告企業
商品リスト
提案

28. ©
2020
分散型IDの課題
❏ 個人の管理コスト増大
❏ キュレーションアルゴリズムの需要増
❏ 耐改ざん性の確保
❏ データの正しさをどう確保
❏ インセンティブ設計
❏ 秘密鍵の紛失対策
❏ データ提供 以外の可能性

29. ©
2020
ニューロサイエンスにおけるデータ共有の課題
1. 活用方法の不足:
❏ データ共有をしても活用方法が限定されている
❏ 提案1: ニューロツイン
2. データ管理費の増大:
❏ データがそもそも共有されずデータ管理費が高まる
❏ 提案2: 分散型ID (& 暗号化技術)
3. プライバシーの問題:
❏ プライバシーの問題がありデータにアクセスできない
❏ 提案3: 分散型機械学習 (& 暗号化技術)

30. ©
2020
連合学習 (FL, Federated Learning)
❏ 自己主権型アイデンティティと共にデー
タ利用に関する規制の高まり
❏ 2018『EU一般データ保護規則』
❏ 個人データ保護やその取り扱いにつ
いて詳細に定められている
❏ 連合学習（FL）
❏ 断片化されたデータにアクセスせず
に学習する手法
❏ 例: スマホのキーボード入力の予測
[Konecny et al., 2016a,b, McMahan et al., 2016a,b]
モデルの提供 改善点のみ提供
モデル修正
ユーザー
企業

31. ©
2020
連合学習によるCOVID19の結果予測
[Dayan et al., 2021]
❏ COVID-19患者の胸部レント
ゲン画像から酸素治療レベ
ルを予測
❏ 20拠点データに適用
❏ 各拠点のデータから勾配パ
ラメータを平均化して学習
[McMahan et al., 2016]
❏ 各拠点のモデルの精度を上
回る。90%以上

32. ©
2020
データの貢献度をどのように決めるのか？
❏ データ所有者にはデータ連合への参加を促
す必要がある
❏ データ連合への参加を維持するために貢献
への報酬が必要
❏ 利益分配
❏ メカニズムデザイン（市場設計）
❏ ブロックチェーンの利用
❏ スマートコントラクト
https://gentosha-go.com/articles/-/44304

33. ©
2020
連合学習における課題
❏ システムの安定性が、データ所有者とサー
バーの間の通信に依存する。
❏ 異なる分布に従うデータによるバイアス等
が生じうる。
❏ 不誠実な参加者が悪意ある攻撃をする可能
性がある。
❏ 分散型IDによる認証等が必要

34. ©
2020
目次
1. ニューロサイエンスの大規模化と課題
a. 各国の研究開発
b. ニューロサイエンスの大規模化の課題
c. アラヤの取り組み
2. ニューロテックにおける有望な技術について
a. ニューロツイン
b. 分散型データ基盤
c. 分散型機械学習
3. まとめ

35. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
DID1
ニューロツインA
DID2
ニューロツインB

36. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
全脳モデル
テンプレート
DID1
ニューロツインA
企業サーバー
企業
DID2
ニューロツインB

37. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
全脳モデル
テンプレート
DID1
ニューロツインA
企業サーバー
企業
1. データ・学習パラメータの提供
DID2
ニューロツインB

38. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
全脳モデル
テンプレート
DID1
ニューロツインA
企業サーバー
企業
DID2
ニューロツインB
DID3
ニューロツインC
1. データ・学習パラメータの提供

39. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
全脳モデル
テンプレート
DID1
ニューロツインA
企業サーバー
企業
DID2
ニューロツインB
DID3
ニューロツインC
2. 報酬・モデルの提供
1. データ・学習パラメータの提供

40. ©
2020
ニューロツイン, 分散型データ基盤, 連合学習
全脳モデル
テンプレート
DID1
ニューロツインA
企業サーバー
企業
1. データ・学習パラメータの提供
DID2
ニューロツインB
DID3
ニューロツインC
2. 報酬・モデルの提供
関連技術
❏ 暗号技術
❏ ブロックチェーン

41. ©
2020
ニューロテックの未来
❏ ニューロテックはデバイス開発のハ
ード面/ソフト面の開発
❏ ニューロツイン
❏ データ再活用 & 治療の個別化
❏ 分散型ID
❏ データの自己管理
❏ 連合学習
❏ 学習データによる連携
❏ 特にBMIのような生体データは
個人情報でもある。

42. ©
2020
参考文献
1. Abe, Takata, Sakai, Hamada et al., 2020. Diffusion functional MRI reveals global brain network functional abnormalities driven by
targeted local activity in a neuropsychiatric disease mouse model. NeuroImage.
2. Hamada, T.H., et al., Optogenetic activation of dorsal raphe serotonin neurons induces a brain-wide response in reward network.
bioRxiv.
3. Hata, J., et al., Multi-modal brain magnetic resonance imaging database covering marmosets with a wide age range. bioRxiv
4. neurotwin. https://www.neurotwin.eu/
5. Youssef, Hamada, et al., 2022. TOB is an effector of the hippocampus-mediated acute stress response. Translational Psychiatry.

43. ©
2020
参考文献
1. 崎村夏彦 『デジタルアイデンティティー 経営者が知らないサイバービジネスの核心』（日経BP、2021）
2. 濱田太陽. 『統合科学技術としてのニューロテック』 substrack. https://hirotaiyohamada.substack.com/p/1
3. 濱田太陽他 『ニューロテック（ブレインテック）とは（１）：ニューロテック（ブレインテック）を支える基礎技術と課題』株式
会社アラヤ研究内容紹介. https://www.araya.org/randd/neurotech1/
4. 濱田太陽他 『ニューロテック（ブレインテック）とは（２）：ニューロテック（ブレインテック）を支える基礎技術と課題』株式
会社アラヤ研究内容紹介. https://www.araya.org/randd/neurotech2/
5. Yang他 『Federated Learning: プライバシー保護下における機械学習』(共立出版、2022年)