線形神経イメージングモデルの臨床的解釈可能性向上のための特徴白化

arXiv:2604.20675v1 Announce Type: new 要約：線形モデルは、脳疾患に関連するバイオマーカーを特定するために計算神経イメージングにおいて広く使用されています。しかし、学習された重みに対する解釈は依然として困難であり、臨床的に意味のある洞察を与えられないことがあります。この課題の一部は、脳領域間の内在的な相関から生じており、これにより線形重みは領域固有の寄与ではなく、共有された寄与を反映してしまいます。特に、両半球の同様な構造を含む一部の領域群は、強いつながりの解剖学的相関が知られています。本稿では、この神経解剖学的な先備知識を活用し、既知の共有分散を持つ領域群に対して適用する白化アプローチを導入し、相関した神経計測にわたる重複する情報を分解します。さらに、制御された分解相関の度合いを調整可能にする正規化変形も提案します。私たちは、この手法を双極性障害または統合失調症の患者を健常者と区別する 2 つの精神分類タスクにおいて、領域固有特徴を用いて評価しました。重要なのは、PCA や ICA が次元削減のステップとして白化を使用するのに対し、我々のアプローチは解剖学的にインフォームされた神経解剖学的領域のペアのみを分解相関させ、フルな入力信号を保つことで、特徴選択ではなく特徴解釈に特に適していることです。我々の発見は、白化が予測性能を維持しながらモデル重みの解釈可能性を向上させることを示し、線形モデルの出力を神経生物学的メカニズムにリンクさせるための堅牢な枠組みを提供しました。

arXiv:2604.20675v1 Announce Type: new Abstract: Linear models are widely used in computational neuroimaging to identify biomarkers associated with brain pathologies. However, interpreting the learned weights remains challenging, as they do not always yield clinically meaningful insights. This difficulty arises in part from the inherent correlation between brain regions, which causes linear weights to reflect shared rather than region-specific contributions. In particular, some groups of regions, including homologous structures in the left and right hemispheres, are known to exhibit strong anatomical correlations. In this work, we leverage this prior neuroanatomical knowledge to introduce a whitening approach applied to groups of regions with known shared variance, designed to disentangle overlapping information across correlated brain measures. We additionally propose a regularized variant that allows controlled tuning of the degree of decorrelation. We evaluate this method using region-of-interest features in two psychiatric classification tasks, distinguishing individuals with bipolar disorder or schizophrenia from healthy controls. Importantly, unlike PCA or ICA which use whitening as a dimensionality reduction step, our approach decorrelates anatomically informed pairs of neuroanatomical regions while retaining the full input signal, making it specifically suited for feature interpretation rather than feature selection. Our findings demonstrate that whitening improves the interpretability of model weights while preserving predictive performance, providing a robust framework for linking linear model outputs to neurobiological mechanisms.