JP6739841B2 - 脳情報解析装置及び脳情報模倣演算装置 - Google Patents

Description

本発明は、脳情報解析装置及び脳情報模倣演算装置に関する。
より詳細には、ＭＲＩ（magnetic resonance imaging：核磁気共鳴画像法）等の、人間の脳を非侵襲にて三次元撮像を行う装置が出力する脳画像データを基に、脳情報と、脳情報の変動とその変動要因を捉えて解析する脳情報解析装置と、脳情報解析装置が出力した特徴量を用いて、人間の脳の状態とその変化を模倣する、脳情報模倣演算装置に関する。

元々、ＭＲＩは非侵襲にて脳を含めた内臓疾患を発見し、診断するためのツールであった。しかし、近年、ＭＲＩにて人の脳を撮影し、三次元の脳画像データを取得することが永続的に行われてきたことにより、様々な人々の脳画像データが徐々に蓄積されるようになった。そこで、近年の脳科学者は、脳疾患に留まらず、脳画像データから得られる情報と、人の健康との相関性を模索するようになっている。
これ以降、本明細書において脳画像データから得られる情報を、脳情報と総称する。この脳情報には、例えば、脳画像データを画像解析した結果得られる、脳の特定部位における灰白質の量や、脳の特定部位における神経線維の異方性等が含まれる。

特許文献１には、撮影したＭＲＩ画像から脳断面の灰白質画像を作成し、その灰白質画像を健常者の灰白質画像と比較して、脳の特定部位の萎縮を判定することで、認知症等の兆候を診断する技術が開示されている。

特開２００５−２３０４５６号公報

脳画像データから脳の部位毎に情報を取得する方法には、様々なものが存在する。どの脳情報取得方法も、得られる情報は変数の数が多く、非常に詳細である。しかし、変数の数が多いことは、データの全体の傾向を統計的に類推する、いわゆるビッグデータの解析手法には過剰適応のリスクを多く含むことになる。
ＭＲＩ装置は高価であり、国際比較においてはわが国は相対的に導入台数は多いものの、他の医療機器に比べると、導入台数は少ない。また、その運用コストも安くはない。このため、ＭＲＩによる脳画像データを蓄積することは容易なことではない。したがって、現状では統計的解析の基となるデータの母数は、あまり多いとは言えない状況である。一方、上述したように、脳画像データから得られる情報は、変数の数が多い。これは、統計的解析手法では、既知の値については正しい推定結果を出す一方で、未知の値については正しい推定結果が得られない。つまり、オーバーフィッティングという現象を引き起こす。
また、変数の数が多いことは、判断の指標が複雑になることを示す。このため、現状の詳細な脳解析情報のままでは、脳科学の専門家しかわからず、一般の人が脳の健康の指標等に利用するのに適していない。

また、これまで脳情報と健康指標との相関関係がほとんど関連付けて解析されていなかったという現実がある。このため、何をすれば、あるいは何を食べれば、脳の健康によいのかを客観的に推定することができなかった。

本発明はかかる課題を解決し、脳解析情報を扱い易い値に変換した上で、脳の健康によいこと、あるいはよくないことを客観的かつ統計的に推定し、被験者に脳の健康の指標として使用することを可能とする、脳情報解析装置及び脳情報模倣演算装置を提供することを目的とする。

上記課題を解決するために、本発明の脳情報模倣演算装置は、被験者の脳画像データから複数の灰白質量データを得る灰白質量算出部と、被験者の脳画像データから複数の神経線維異方性データを得る神経線維異方性算出部と、複数の灰白質量データの平均値を算出した値であるＧＭ−ＢＨＱと、複数の神経線維異方性データの平均値を算出した値であるＦＡ−ＢＨＱを出力する平均値演算部と、被験者を一意に識別する被験者ＩＤと、ＧＭ−ＢＨＱとＦＡ−ＢＨＱを紐付けて登録するＢＨＱテーブルとを具備する。更に、被験者ＩＤと被験者の健康診断結果と被験者の生活環境アンケート結果を紐付けて登録する健康診断テーブルと、ＢＨＱテーブルと健康診断テーブルを、被験者ＩＤにて紐付けた上で多変量解析を行い、ＧＭ−ＢＨＱ及びＦＡ−ＢＨＱを推定するための第一の特徴量を出力する第一の多変量解析処理部とを具備する。更に、被験者の、所定期間を経過する前のＧＭ−ＢＨＱ及びＦＡ−ＢＨＱと、所定期間を経過した後のＧＭ−ＢＨＱ及びＦＡ−ＢＨＱとの差分を、被験者ＩＤで紐付けて登録するＢＨＱ差分テーブルと、被験者の、所定期間を経過する前の生活環境アンケート結果と、所定期間を経過した後の生活環境アンケート結果との差分を、被験者ＩＤで紐付けて登録する介入要素テーブルとを具備する。第二の多変量解析処理部は、ＢＨＱ差分テーブルと介入要素テーブルと健康診断テーブルを、被験者ＩＤにて紐付けた上で多変量解析を行い、ＧＭ−ＢＨＱ及びＦＡ−ＢＨＱの変動及び介入要素を推定するための第二の特徴量である脳変化模倣特徴量を出力する。

本発明によれば、脳解析情報を扱い易い値に変換した上で、脳の健康によいこと、あるいはよくないことを客観的かつ統計的に推定し、被験者に脳の健康の指標として使用することが可能になる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施形態に係る、脳情報解析装置の概略図である。 脳情報解析装置が算出した重回帰式係数と脳変化模倣特徴量を利用した、脳情報模倣演算装置の概略図である。 脳情報解析装置の、ハードウェア構成を示すブロック図である。 脳情報解析装置の、重回帰式係数を生成するためのソフトウェア機能を示すブロック図である。 脳情報解析装置の、脳変化模倣特徴量を生成するためのソフトウェア機能を示すブロック図である。 脳情報模倣演算装置の、ＢＨＱを推定するためのソフトウェア機能を示すブロック図である。 脳情報模倣演算装置の、ＢＨＱ差分と推定介入要素を推定するためのソフトウェア機能を示すブロック図である。

本発明は、発明者らが先に出願した特願２０１６−１６７０３６（以下「先の特許出願」と略す）を基に、更なる機能拡張を実現したものである。
先の特許出願では、脳情報解析装置と脳健康指標演算装置を開示した。
脳情報解析装置は、被験者のＭＲＩ画像ファイル群から作成した多数の脳情報を、灰白質量データ群の平均値であるＧＭ−ＢＨＱ（Grey-Matter Brain Healthcare Quotient）と、神経線維異方性データ群の平均値であるＦＡ−ＢＨＱ（fractional anisotropy Brain Healthcare Quotient）という、２個のスカラ値に変換する。その上で、ＧＭ−ＢＨＱ及びＦＡ−ＢＨＱと、被験者の健康診断結果データ、そして生活環境アンケート結果データを読み込み、重回帰分析を行い、ＧＭ−ＢＨＱ用重回帰式係数とＦＡ−ＢＨＱ用重回帰式係数を算出する。

脳健康指標演算装置は、任意の被験者の健康診断結果データと生活環境アンケート結果データを読み込み、ＧＭ−ＢＨＱ用重回帰式係数とＦＡ−ＢＨＱ用重回帰式係数を用いて重回帰演算処理を行い、ＭＲＩを用いずともＧＭ−ＢＨＱ推定値及びＦＡ−ＢＨＱ推定値を出力する。
先の特許出願では、任意の人の健康状態から、その人における現在のＢＨＱを推定するシステムを開示した。つまり、脳健康指標演算装置はその人のＢＨＱの推定はするが、何をすればその人のＢＨＱがよくなるのかについては客観的で明確な回答ができなかった。

これより説明する脳情報模倣演算装置は、このＢＨＱの推定に様々な介入要素によるＢＨＱの変動を推定する機能を、多変量解析を用いて実現する。つまり、何をすればＢＨＱがよくなるのか、及び／または何をすればＢＨＱが悪くなるのかを、客観的かつ明確に回答できる機能を提供することができる。
本発明の脳情報解析装置は、先の出願における脳情報解析装置に、以下に実施形態として説明される脳情報模倣演算装置に必要な脳情報模倣特徴量を出力する機能を追加することで構成される。
また、本発明の脳情報模倣演算装置は、先の出願における脳健康指標演算装置に、以下の実施形態で説明するように、ＢＨＱを推定する機能に加え、脳情報模倣特徴量を読み込んで推定ＢＨＱの差分や推定介入要素を出力する機能が追加される。いわば、バージョンアップされた脳情報模倣演算装置が提供される。

［脳情報解析装置］
図１Ａは、本発明の実施形態に係る、脳情報解析装置１０１の概略図であると共に、脳情報解析の第一手順を示す図でもある。
ある日、被験者１０６はＭＲＩ装置１０２にて脳を撮影されることで、ＭＲＩ画像ファイル群１０３ａを脳情報解析装置１０１に提供すると共に、健康診断結果データ１０４ａと生活環境アンケート結果データ１０５ａを、図示しない脳情報解析装置１０１の操作者へ提出する。被験者１０６から提供された健康診断結果データ１０４ａと生活環境アンケート結果データ１０５ａは、不図示の操作者によって脳情報解析装置１０１に入力される。

脳情報解析装置１０１は、大容量の不揮発性ストレージと、所定の演算能力を備えるパソコンあるいはサーバである。
脳情報解析装置１０１には、（１）被験者１０６の脳をＭＲＩ装置１０２で撮影して得たＭＲＩ画像ファイル群１０３ａと、（２）被験者１０６が受診した健康診断の結果を記した健康診断結果データ１０４ａと、（３）被験者１０６が所定の生活環境アンケートに回答した結果を記した生活環境アンケート結果データ１０５ａが入力され、データベースとして蓄積される。ＭＲＩ画像ファイル群１０３ａ、健康診断結果データ１０４ａ、及び生活環境アンケート結果データ１０５ａは、全て被験者１０６を一意に識別する被験者ＩＤによって紐付けされる。特に、脳情報解析装置１０１には、ＭＲＩ画像ファイル群１０３ａを保存するための大容量の不揮発性ストレージが必要になる。

ＭＲＩ画像ファイル群１０３ａは、ＭＲＩ装置１０２が被験者１０６の脳を撮影した複数の画像ファイルである。被験者１０６の脳を仮想的に輪切り状態にて撮影した画像ファイルが、頭頂部から首に至る迄、複数枚得られる。脳情報解析装置１０１は、この複数枚の画像ファイルを用いて、被験者１０６の脳を三次元空間的に解析する。

健康診断結果データ１０４ａは、通常の健康診断にて得られる診断結果の情報の集合体である。被験者１０６の年齢、身長、体重、視力、聴力、体脂肪率、ＢＭＩ（Body Mass Index：ボディマス指数）、血中中性脂肪値、γＧＴＰ（γ-glutamyltransferase：ガンマグルタミルトランスフェラーゼ）等、年に一回実施される、あるいはＭＲＩ撮影の際に実施される、健康診断の診断結果の情報である。これらのデータは、被験者１０６から機械的あるいは化学的な手段で取得される客観的な測定結果であり、被験者１０６の主観が入り込む余地のないものである。なお、健康診断に留まらず、被験者１０６が日常的に計測を行った体重や血圧等の生体計測データ、歩数や活動量等のライフログデータも、この健康診断結果データ１０４ａに含めることができる。

生活環境アンケート結果データ１０５ａは、健康診断の際に設問され、被験者１０６が回答する種々のアンケートの他に、精神神経系の健康指標を推し量るためのアンケートも含まれる。例えば、以下の様な項目について設問を設け、被験者１０６に回答させる。
（１）階層帰属意識及び金融不安を含む社会経済的な状況の自覚
（２）生活に関する満足感と生活向上への意識を含む健康で安心なことについての自覚
（３）個人的な価値観、ポスト物質主義（物質や経済的な富よりも精神や心の安寧（リッチネス）を優先させる考え方）及びエピクロス主義（将来の為の準備よりも現在に生きることに優先権を与えて生きる主義）
すなわち、これらのデータは健康診断結果データ１０４ａとは異なり、被験者１０６の主観が混じるアンケート結果等の情報である。

脳情報解析装置１０１は、先ず、ＭＲＩ画像ファイル群１０３ａから所定の画像解析処理を用いて、脳情報を取得し、脳情報の平均値を算出する。次に、脳情報解析装置１０１は算出した脳情報の平均値を目的変数とし、健康診断結果データ１０４ａと生活環境アンケート結果データ１０５ａを説明変数として、重回帰分析を行う。そして、重回帰分析の特徴量である重回帰式係数１０７ａを算出する。

図１Ｂは、本発明の実施形態に係る、脳情報解析装置１０１の概略図であると共に、脳情報解析の第二手順を示す図でもある。
被験者１０６は、図１Ａに示した、ＭＲＩ装置１０２にて脳を撮影された日から、例えば１ヶ月経過した日に、再びＭＲＩ装置１０２にて脳を撮影されることになっている。そして、被験者１０６は、ＭＲＩ画像ファイル群１０３ｂを脳情報解析装置１０１に提供し、健康診断結果データ１０４ｂと生活環境アンケート結果データ１０５ｂを脳情報解析装置１０１の操作者へ提出する。脳情報解析装置１０１は、新たなＭＲＩ画像ファイル群１０３ｂと、健康診断結果データ１０４ｂと生活環境アンケート結果データ１０５ｂを得て、図１Ａの時点よりも推定精度が向上した重回帰式係数１０７ｂを算出する。

被験者１０６は、図１Ａに示す１回目のＭＲＩ撮影から図１Ｂに示す２回目のＭＲＩ撮影の間に、何らかの生活習慣の変化を実施する。例えば、一週間に１回水泳をする、あるいは野菜ジュースを毎日飲む等である。また、生活習慣の変化は、意図せずに実施した内容も含む。例えば、残業が多くなり晩酌をたしなむ日が増えた等である。このように、被験者１０６が実施した内容が必ずしも生活習慣の改善に繋がるとは限らないので、生活習慣の改善とは呼ばず、あえて生活習慣の変化と呼ぶこととする。
もし、これら生活習慣の変化が、脳の健康に関係するのであれば、図１Ｂにおける２回目のＭＲＩ撮影において、ＭＲＩ画像ファイル群１０３ｂから得られるデータにその影響が現れている筈である。

脳情報解析装置１０１は、この、同一の被験者１０６における、最低２回のＭＲＩ撮影によって得られるＭＲＩ画像ファイル群１０３ａ、１０３ｂ、健康診断結果データ１０４ａ、１０４ｂ、そして生活環境アンケート結果データ１０５ａ、１０５ｂから、ＢＨＱの差分と、生活習慣の変動内容を取得する。そして、生活習慣の変動内容に対するＢＨＱの差分のデータを、多数の被験者１０６から集めて、多変量解析を行う。最終的に、脳情報解析装置１０１は、生活習慣の変動内容とＢＨＱの差分との相関関係を示す、脳変化模倣特徴量１０８を算出する。

なお、以下の説明では、生活習慣の変動内容を介入要素とも呼ぶこともある。介入要素とは、被験者１０６におけるＢＨＱの変化に介入した要素であり、言い換えれば、被験者１０６におけるＢＨＱの変動が生じた原因である。
また、これ以降、ＭＲＩ画像ファイル群１０３ａとＭＲＩ画像ファイル群１０３ｂを特に区別しない時は、ＭＲＩ画像ファイル群１０３と呼ぶ。同様に、健康診断結果データ１０４ａと健康診断結果データ１０４ｂを特に区別しない時は、健康診断結果データ１０４と呼ぶ。生活環境アンケート結果データ１０５ａと生活環境アンケート結果データ１０５ｂを特に区別しない時は、生活環境アンケート結果データ１０５と呼ぶ。重回帰式係数１０７ａと重回帰式係数１０７ｂを特に区別しない時は、重回帰式係数１０７と呼ぶ。

［脳情報模倣演算装置］
図２Ａは、脳情報解析装置１０１が算出した重回帰式係数１０７を利用した、脳情報模倣演算装置２０１の概略図である。
脳情報模倣演算装置２０１は、一般的なパソコンで実現できる。また、近年普及しているスマートフォン等の携帯型無線端末や、ワンチップマイコンを使用する体脂肪計等の健康器具でも実現することができる。
脳情報模倣演算装置２０１は、任意の被験者１０６の健康診断結果データ１０４と生活環境アンケート結果データ１０５を入力されると、脳情報解析装置１０１が使用していた重回帰式と、脳情報解析装置１０１が算出した重回帰式係数１０７を用いて、当該被験者１０６の脳情報の平均値である推定ＢＨＱ２０２を推定する。
図２Ａに示す、脳情報模倣演算装置２０１が実施するＢＨＱの推定は、先の特許出願における脳健康指標演算装置の機能と等しい。

図２Ｂは、脳情報解析装置１０１が算出した脳変化模倣特徴量１０８を利用した、脳情報模倣演算装置２０１の概略図である。
まず、脳情報模倣演算装置２０１に、任意の被験者１０６の健康診断結果データ１０４と、生活環境アンケート差分２０３が入力される。すると、脳情報模倣演算装置２０１は、脳情報解析装置１０１が使用していた多変量解析と、脳情報解析装置１０１が算出した脳変化模倣特徴量１０８を用いて、当該被験者１０６のＢＨＱの差分である推定ＢＨＱ差分２０４を推定する。
すなわち、脳情報模倣演算装置２０１は、被験者の年齢、性別、体格、健康診断結果等の客観的情報と、被験者の生活習慣の変化が入力されると、ＢＨＱがどの程度変化したか（良くなったのか、あるいは悪くなったのか）を推定する。

図２Ｃは、脳情報解析装置１０１が算出した脳変化模倣特徴量１０８を利用した、脳情報模倣演算装置２０１の概略図である。
脳情報模倣演算装置２０１に、任意の被験者１０６の健康診断結果データ１０４と測定したＢＨＱまたは推定したＢＨＱ２０５が入力される。すると、脳情報模倣演算装置２０１は、脳情報解析装置１０１が使用していた多変量解析と、脳情報解析装置１０１が算出した脳変化模倣特徴量１０８を用いて、当該被験者１０６のＢＨＱがよくなるための推定介入要素２０６を推定する。
すなわち、脳情報模倣演算装置２０１は、被験者の年齢、性別、体格、健康診断結果等の客観的情報と、被験者の測定ＢＨＱまたは推定ＢＨＱ２０５が入力されると、何をすればＢＨＱが良くなるのか、及び／または、何をするとＢＨＱが悪くなるのかを推定する。

［脳情報解析装置１０１：ハードウェア］
図３は、脳情報解析装置１０１の、ハードウェア構成を示すブロック図である。
一般的なパソコンやサーバである脳情報解析装置１０１は、ＣＰＵ３０１、ＲＯＭ３０２、ＲＡＭ３０３、液晶ディスプレイ等の表示部３０４、キーボードやマウス等の操作部３０５、ハードディスク装置等の不揮発性ストレージ３０６がバス３０７に接続されている。バス３０７にはこの他に、ＭＲＩ画像ファイル群１０３と、健康診断結果データ１０４と、生活環境アンケート結果データ１０５を受け付けて、不揮発性ストレージ３０６内に形成するデータベースに登録するための、シリアルポート３０８やＮＩＣ（Network Interface Card）３０９が接続されている。不揮発性ストレージ３０６には、ＯＳと、パソコンやサーバを脳情報解析装置１０１として稼働させるためのプログラムと、図４にて後述する種々のデータベースが格納されている。

なお、脳情報解析装置１０１がサーバである場合には、ＮＩＣ３０９は必須だが、表示部３０４と操作部３０５は必ずしも必要ではなく、シリアルポート３０８も不要である。その場合、ネットワークを通じてサーバを操作する端末が別途用意されていればよい。
図２に示す脳情報解析装置１０１のブロック図は、ほぼそのまま脳情報模倣演算装置２０１にも共通する。よって、脳情報模倣演算装置２０１のハードウェア構成を示すブロック図及びその説明は省略する。

［脳情報解析装置１０１：ＢＨＱ推定用重回帰式係数算出ソフトウェア］
図４は、脳情報解析装置１０１の、ＢＨＱを推定するための重回帰式係数１０７を算出するソフトウェア機能を示すブロック図である。
図１Ａにて説明したように、脳情報解析装置１０１には、被験者１０６のＭＲＩ画像ファイル群１０３と、健康診断結果データ１０４と、生活環境アンケート結果データ１０５が入力される。
灰白質量算出部４０１は、ＭＲＩ画像ファイル群１０３を読み込み、脳の特定部位における灰白質の量を示す灰白質量データ群４０２を算出する。灰白質量データ群４０２は、脳の１１６箇所の部位における灰白質量データの集合体である。
神経線維異方性算出部４０３は、ＭＲＩ画像ファイル群１０３を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群４０４を算出する。神経線維異方性データ群４０４は、脳の４８箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。

灰白質量算出部４０１が算出した灰白質量データ群４０２と、神経線維異方性算出部４０３が算出した神経線維異方性データ群４０４は、被験者１０６の被験者ＩＤ４０５と共に、脳情報テーブル４０６に登録される。
脳情報テーブル４０６は、被験者ＩＤフィールドと、１１６個の灰白質量データフィールドと、４８個の神経線維異方性データフィールドよりなる。すなわち、灰白質量データ群４０２と神経線維異方性データ群４０４は、被験者１０６の被験者ＩＤ４０５に紐付けられて、脳情報テーブル４０６に登録される。
なお、ＭＲＩ画像ファイル群１０３は貴重な画像データの集合体であるので、これも被験者ＩＤ４０５に紐付けられて、大容量の不揮発性ストレージ３０６に記憶される。本発明の実施形態において、これ以降の説明では、ＭＲＩ画像ファイル群１０３を使用しないので、以下では図示及び詳述を省略する。

脳情報テーブル４０６に格納された１１６個の灰白質量データ群４０２と、４８個の神経線維異方性データ群４０４は、それぞれ平均値演算部４０７に入力される。
平均値演算部４０７は、１１６個の灰白質量データ群４０２の平均値であるＧＭ−ＢＨＱ（Grey-Matter Brain Healthcare Quotient）を算出する。ＧＭ−ＢＨＱは単一のスカラ値である。
同様に、平均値演算部４０７は、４８個の神経線維異方性データ群４０４の平均値であるＦＡ−ＢＨＱ（fractional anisotropy Brain Healthcare Quotient）を算出する。ＦＡ−ＢＨＱもＧＭ−ＢＨＱと同様、単一のスカラ値である。

平均値演算部４０７が算出したＧＭ−ＢＨＱ及びＦＡ−ＢＨＱは、被験者１０６の被験者ＩＤ４０５と共に、ＢＨＱテーブル４０８に登録される。
ＢＨＱテーブル４０８は、被験者ＩＤフィールドと、ＧＭ−ＢＨＱフィールドと、ＦＡ−ＢＨＱフィールドよりなる。すなわち、ＧＭ−ＢＨＱとＦＡ−ＢＨＱは、被験者１０６の被験者ＩＤ４０５に紐付けられて、ＢＨＱテーブル４０８に登録される。
このＧＭ−ＢＨＱとＦＡ−ＢＨＱが、後述する重回帰式における目的変数となる。

一方、健康診断結果データ１０４と、生活環境アンケート結果データ１０５は、被験者１０６の被験者ＩＤ４０５と共に、健康診断テーブル４０９に登録される。
健康診断テーブル４０９は、被験者ＩＤフィールドと、項目毎の健康診断結果データフィールドと、項目毎の生活環境アンケート結果データフィールドよりなる。すなわち、健康診断結果データ１０４と生活環境アンケート結果データ１０５は、被験者１０６の被験者ＩＤ４０５に紐付けられて、健康診断テーブル４０９に登録される。
この健康診断結果データ１０４と生活環境アンケート結果データ１０５が、後述する重回帰式における説明変数となる。

第一の多変量解析処理部である重回帰分析処理部４１０は、ＢＨＱテーブル４０８から目的変数であるＧＭ−ＢＨＱを読み込み、健康診断テーブル４０９から説明変数である健康診断結果データ１０４と生活環境アンケート結果データ１０５を読み込む。そして、重回帰分析処理部４１０は、これらの読み込んだデータを被験者ＩＤ４０５と紐付けた上で、ＧＭ−ＢＨＱにおける重回帰式の係数を算出し、ＧＭ−ＢＨＱ推定のための重回帰式係数であるＧＭ−ＢＨＱ用重回帰式係数４１１を出力する。

また、重回帰分析処理部４１０は、ＢＨＱテーブル４０８から目的変数であるＦＡ−ＢＨＱを読み込み、健康診断テーブル４０９から説明変数である健康診断結果データ１０４と生活環境アンケート結果データ１０５を読み込む。そして、重回帰分析処理部４１０は、これらの読み込んだデータを被験者ＩＤ４０５と紐付けた上で、ＦＡ−ＢＨＱにおける重回帰式の係数を算出し、ＦＡ−ＢＨＱ推定のための重回帰式係数であるＦＡ−ＢＨＱ用重回帰式係数４１２を出力する。
このＧＭ−ＢＨＱ用重回帰式係数４１１及びＦＡ−ＢＨＱ用重回帰式係数４１２が、図１Ａ及び図１Ｂにて説明した重回帰式係数１０７である。

［脳情報解析装置１０１：脳変化模倣特徴量算出ソフトウェア］
図５は、脳情報解析装置１０１の、脳変化模倣特徴量１０８を算出するソフトウェア機能を示すブロック図である。
図１Ｂにて説明したように、脳情報解析装置１０１には、被験者１０６のＭＲＩ画像ファイル群１０３と、健康診断結果データ１０４と、生活環境アンケート結果データ１０５が入力される。
そして、図４で説明したように、脳情報解析装置１０１は、被験者１０６のＧＭ−ＢＨＱとＦＡ−ＢＨＱを算出する。そして、ＢＨＱテーブル４０８に新規のレコードを追記録する。
また、図４で説明した手順と同様に、脳情報解析装置１０１は、被験者１０６の新たな健康診断結果データ１０４と生活環境アンケート結果データ１０５を、被験者１０６の被験者ＩＤ４０５と共に、健康診断テーブル４０９に追記録する。

図１Ｂの時点で、同一の被験者１０６について、図１Ａで示した第一の時点におけるＧＭ−ＢＨＱ及びＦＡ−ＢＨＱ、健康診断結果データ１０４ａそして生活環境アンケート結果データ１０５ａと、図１Ｂで示した、第一の時点から所定期間経過した第二の時点におけるＧＭ−ＢＨＱ及びＦＡ−ＢＨＱ、健康診断結果データ１０４ｂそして生活環境アンケート結果データ１０５ｂが出揃うこととなる。
すなわち、ＢＨＱテーブル４０８には、同一の被験者１０６について、第一の時点におけるＧＭ−ＢＨＱ及びＦＡ−ＢＨＱと、第二の時点におけるＧＭ−ＢＨＱ及びＦＡ−ＢＨＱが記憶されている。
同様に、健康診断テーブル４０９には、同一の被験者１０６について、第一の時点における健康診断結果データ１０４ａと生活環境アンケート結果データ１０５ａと、第二の時点における健康診断結果データ１０４ｂと生活環境アンケート結果データ１０５ｂが記憶されている。

ＢＨＱ差分演算部５０１は、ＢＨＱテーブル４０８を参照して、被験者ＩＤ４０５毎にＧＭ−ＢＨＱの差分と、ＦＡ−ＢＨＱの差分を演算する。そして、得られたＧＭ−ＢＨＱ差分とＦＡ−ＢＨＱ差分を被験者ＩＤ４０５と紐付けた上で、ＢＨＱ差分テーブル５０２に追記録する。
介入要素演算部５０３は、健康診断テーブル４０９を参照して、被験者ＩＤ４０５毎に経過日数と、健康診断結果データの差分と、生活環境アンケートの差分、すなわち介入要素を演算する。そして、得られた経過日数と健康診断結果データ差分と介入要素を被験者ＩＤ４０５と紐付けた上で、介入要素テーブル５０４に追記録する。
ＢＨＱ差分テーブル５０２に記憶されているＧＭ−ＢＨＱ差分とＦＡ−ＢＨＱ差分は、多変量解析における目的変数である。
介入要素テーブル５０４に記憶されている経過日数と健康診断結果データ差分と介入要素は、多変量解析における説明変数である。

第二の多変量解析処理部である多変量解析処理部５０５は、ＢＨＱ差分テーブル５０２と介入要素テーブル５０４と健康診断テーブル４０９を参照して、正準相関分析やディープニューラルネット（Deep Neural Net）等の学習アルゴリズムを用いる多変量解析を行い、脳変化模倣特徴量１０８を出力する。この時、多変量解析処理部５０５は、ＢＨＱ差分テーブル５０２からＧＭ−ＢＨＱ差分とＦＡ−ＢＨＱ差分を、介入要素テーブル５０４から種々の介入要素を、健康診断テーブル４０９から第二の時点における健康診断結果データ１０４ｂを読み込む。しかし、第二の時点における健康診断結果データ１０４ｂがない場合は、第一の時点における健康診断結果データ１０４ａを読み込む。
また、ある被験者１０６について、健康診断結果データ１０４ａ健康診断結果データ１０４ｂの両方が得られる場合は、その差分も脳変化模倣特徴量１０８を構成するための要素として採用することが可能である。

［脳情報模倣演算装置２０１：ＢＨＱ推定ソフトウェア］
図６は、脳情報模倣演算装置２０１の、ＢＨＱを推定するソフトウェア機能を示すブロック図である。
第一の多変量推定処理部である重回帰式演算処理部６０１は、任意の被験者１０６の健康診断結果データ１０４と、生活環境アンケート結果データ１０５を読み込む。そして、重回帰式演算処理部６０１は、図４にて説明した、脳情報解析装置１０１が出力したＧＭ−ＢＨＱ用重回帰式係数４１１を用いて、脳情報解析装置１０１の重回帰分析処理部４１０で使用した重回帰式の演算を行い、当該被験者１０６の、ＧＭ−ＢＨＱ推定値６０２を出力する。
同様に、重回帰式演算処理部６０１は、任意の被験者１０６の健康診断結果データ１０４と、生活環境アンケート結果データ１０５を読み込む。そして、重回帰式演算処理部６０１は、図４にて説明した、脳情報解析装置１０１が出力したＦＡ−ＢＨＱ用重回帰式係数４１２を用いて、脳情報解析装置１０１の重回帰分析処理部４１０で使用した重回帰式の演算を行い、当該被験者１０６の、ＦＡ−ＢＨＱ推定値６０３を出力する。
このＧＭ−ＢＨＱ推定値６０２及びＦＡ−ＢＨＱ推定値６０３が、図２Ａにて説明した、推定ＢＨＱ２０２である。

図２Ａでは理解を容易にするために推定ＢＨＱ２０２と書いたが、実際には被験者１０６の脳の健康指標を推定した「推定脳健康指標」という方が正確である。脳情報模倣演算装置２０１に健康診断データとアンケート結果を入力すれば、ＭＲＩ装置１０２を使わなくとも、被験者１０６の脳の健康状態を推定することができる。

勿論、重回帰式演算処理部６０１が読み込む健康診断結果データ１０４と、生活環境アンケート結果データ１０５は、脳情報解析装置１０１が読み込んだ、被験者１０６達が受診した健康診断やアンケートと同じ内容である必要がある。
すなわち、脳情報模倣演算装置２０１の主要な演算処理は、１次関数である重回帰式の計算を行うだけである。この演算処理は大量のデータ処理を必要とするものではない。周知のように、重回帰式の計算は四則演算で実現できるので、ワンチップマイコン等、演算能力の乏しい低資源装置と呼ばれる計算機資源でも、十分実用になる。

例えば、体重、体脂肪率、内臓脂肪レベル、皮下脂肪率、基礎代謝、骨格筋率、ＢＭＩ、体年齢等を測定できる体組成計に、本発明の実施形態に係る脳情報模倣演算装置２０１を適用することを考える。体組成計には、利用者の生年月日と身長を登録することが可能である。しかし、健康診断における血液検査にて得られる値を登録することは面倒であるし、毎日使用される体組成計が得る前述の様々な値と測定日時が食い違うため、現実的ではない。そこで、脳情報解析装置１０１は、体組成計が取得可能な情報だけを使用した、ＧＭ−ＢＨＱ用重回帰式係数４１１とＦＡ−ＢＨＱ用重回帰式係数４１２を算出する。このように、体組成計用のＧＭ−ＢＨＱ用重回帰式係数４１１とＦＡ−ＢＨＱ用重回帰式係数４１２を用いれば、体組成計も脳情報模倣演算装置２０１として機能することができる。健康診断や生活環境アンケート結果等の全ての情報が揃っている場合と比べると推定精度は落ちるが、有意な健康指標として、体組成計がＧＭ−ＢＨＱ推定値６０２とＦＡ−ＢＨＱ推定値６０３を出力することが可能になる。

また、発明者らは、脳情報解析装置１０１に登録された被験者１０６のＧＭ−ＢＨＱ及びＦＡ−ＢＨＱを説明変数に、そして被験者１０６の年齢を目的変数として重回帰分析を行ったところ、良好な結果が得られた。このことから、ある被験者１０６の脳画像データを得ると、重回帰分析により「脳の年齢」を推定することが可能になる。

［脳情報模倣演算装置２０１：変動及び介入要素推定ソフトウェア］
図７Ａは、脳情報模倣演算装置２０１の、ＢＨＱの変動を推定するソフトウェア機能を示すブロック図である。
まず、第二の多変量推定処理部である多変量推定処理部７０１は、任意の被験者１０６の健康診断結果データ１０４と、生活環境アンケート差分２０３を読み込む。そして、多変量推定処理部７０１は、図５にて説明した、脳情報解析装置１０１が出力した脳変化模倣特徴量１０８を用いて、脳情報解析装置１０１の多変量解析処理部５０５で使用した多変量解析の演算を行い、当該被験者１０６の、ＧＭ−ＢＨＱ変動推定値７０２と、ＦＡ−ＢＨＱ変動推定値７０３を出力する。
これら、ＧＭ−ＢＨＱ変動推定値７０２及びＦＡ−ＢＨＱ変動推定値７０３が、図２Ｂにて説明した、推定ＢＨＱ差分２０４である。

図７Ｂは、脳情報模倣演算装置２０１の、介入要素を推定するソフトウェア機能を示すブロック図である。
多変量推定処理部７０１は、任意の被験者１０６の健康診断結果データ１０４と、測定ＢＨＱまたは推定ＢＨＱ２０５を読み込むと、図５にて説明した、脳情報解析装置１０１が出力した脳変化模倣特徴量１０８を用いて、脳情報解析装置１０１の多変量解析処理部５０５で使用した多変量解析の演算を行い、当該被験者１０６の推定介入要素２０６を出力する。

なお、本発明の実施形態における脳情報解析装置１０１及び脳情報模倣演算装置２０１では、ＧＭ−ＢＨＱ及びＦＡ−ＢＨＱを推定するための第一の多変量解析として重回帰分析を採用したが、周知のように多変量解析は重回帰分析に留まらない。ロジスティック回帰、主成分分析等、種々の多変量解析を適用可能である。ＢＨＱ推定に用いる第一の多変量解析アルゴリズムは、説明変数が多数で、目的変数が単一スカラ値を扱うことができる学習アルゴリズムであればよい。
同様のことは、ＢＨＱ差分及び介入要素を推定するための第二の多変量解析にも言える。ＢＨＱ差分及び介入要素の推定に用いる第二の多変量解析アルゴリズムは、正準相関分析やディープニューラルネットに限らず、説明変数が多数で、目的変数も多数の値を扱うことができる学習アルゴリズムであればよい。

すなわち、脳情報解析装置１０１における重回帰分析処理部４１０の上位概念は第一の多変量解析処理部であり、第一の多変量解析処理部が出力する重回帰式係数の上位概念は第一の特徴量であり、脳情報模倣演算装置２０１における重回帰式演算処理部６０１の上位概念は第一の多変量推定処理部である。
そして、脳情報解析装置１０１における多変量解析処理部５０５は第二の多変量解析処理部となる。脳情報模倣演算装置２０１における多変量推定処理部７０１は、第二の多変量推定処理部となる。

本発明の実施形態では、脳情報解析装置１０１及び脳情報模倣演算装置２０１を説明した。
脳情報解析装置１０１は、被験者１０６のＭＲＩ画像ファイル群１０３から、１１６個の灰白質量データと、４８個の神経線維異方性データを取得する。灰白質量データの平均値を算出してＧＭ−ＢＨＱとする。神経線維異方性データの平均値を算出してＦＡ−ＢＨＱとする。
次に、被験者１０６に対し、所定期間経過後に再度ＭＲＩ撮像を実施して、ＧＭ−ＢＨＱ及びＦＡ−ＢＨＱを取得する。この所定期間の経過に伴い、ＧＭ−ＢＨＱとＦＡ−ＢＨＱに生じた変動を、被験者１０６の健康診断結果と生活環境アンケート結果の変動との関連を知るために、脳情報解析装置１０１は正準相関分析やディープニューラルネット等の学習アルゴリズムを用いた多変量解析を行う。脳情報解析装置１０１は、この多変量解析の結果、脳変化模倣特徴量１０８を得る。

脳情報模倣演算装置２０１は、この脳変化模倣特徴量１０８を用いることで、健康の指標となるＧＭ−ＢＨＱ及びＦＡ−ＢＨＱの差分を推定する他、任意の人に対して何をすればＢＨＱがよくなるのか、すなわち脳の健康が向上するのかを客観的に、しかも明確に推定することができる。

以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、特許請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、他の変形例、応用例を含む。
例えば、上記した実施形態は本発明をわかりやすく説明するために装置及びシステムの構成を詳細かつ具体的に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることは可能であり、更にはある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることも可能である。

また、上記の各構成、機能、処理部等は、それらの一部又は全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行するためのソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の揮発性あるいは不揮発性のストレージ、または、ＩＣカード、光ディスク等の記録媒体に保持することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１０１…脳情報解析装置、１０２…ＭＲＩ装置、１０３…ＭＲＩ画像ファイル群、１０４…健康診断結果データ、１０５…生活環境アンケート結果データ、１０６…被験者、１０７…重回帰式係数、１０８…脳変化模倣特徴量、２０１…脳情報模倣演算装置、２０２…推定ＢＨＱ、２０３…生活環境アンケート差分、２０４…推定ＢＨＱ差分、２０５…測定ＢＨＱまたは推定ＢＨＱ、２０６…推定介入要素、３０１…ＣＰＵ、３０２…ＲＯＭ、３０３…ＲＡＭ、３０４…表示部、３０５…操作部、３０６…不揮発性ストレージ、３０７…バス、３０８…シリアルポート、３０９…ＮＩＣ、４０１…灰白質量算出部、４０２…灰白質量データ群、４０３…神経線維異方性算出部、４０４…神経線維異方性データ群、４０５…被験者ＩＤ、４０６…脳情報テーブル、４０７…平均値演算部、４０８…ＢＨＱテーブル、４０９…健康診断テーブル、４１０…重回帰分析処理部、４１１…ＧＭ−ＢＨＱ用重回帰式係数、４１２…ＦＡ−ＢＨＱ用重回帰式係数、５０１…ＢＨＱ差分演算部、５０２…ＢＨＱ差分テーブル、５０３…介入要素演算部、５０４…介入要素テーブル、５０５…多変量解析処理部、６０１…重回帰式演算処理部、６０２…ＧＭ−ＢＨＱ推定値、６０３…ＦＡ−ＢＨＱ推定値、７０１…多変量推定処理部、７０２…ＧＭ−ＢＨＱ変動推定値、７０３…ＦＡ−ＢＨＱ変動推定値

Claims (6)

1. 被験者の脳画像データから複数の灰白質量データを得る灰白質量算出部と、
   前記被験者の前記脳画像データから複数の神経線維異方性データを得る神経線維異方性算出部と、
   複数の前記灰白質量データの平均値を算出した値であるＧＭ−ＢＨＱと、複数の前記神経線維異方性データの平均値を算出した値であるＦＡ−ＢＨＱを出力する平均値演算部と、
   被験者を一意に識別する被験者ＩＤと、前記ＧＭ−ＢＨＱと前記ＦＡ−ＢＨＱを紐付けて登録するＢＨＱテーブルと、
   前記被験者ＩＤと前記被験者の健康診断結果と前記被験者の生活環境アンケート結果を紐付けて登録する健康診断テーブルと、
   前記ＢＨＱテーブルと前記健康診断テーブルを、前記被験者ＩＤにて紐付けた上で多変量解析を行い、前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱを推定するための第一の特徴量を出力する第一の多変量解析処理部と、
   前記被験者の、所定期間を経過する前の前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱと、所定期間を経過した後の前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱとの差分を、前記被験者ＩＤで紐付けて登録するＢＨＱ差分テーブルと、
   前記被験者の、所定期間を経過する前の前記生活環境アンケート結果と、所定期間を経過した後の前記生活環境アンケート結果との差分を、前記被験者ＩＤで紐付けて登録する介入要素テーブルと、
   前記ＢＨＱ差分テーブルと前記介入要素テーブルと前記健康診断テーブルを、前記被験者ＩＤにて紐付けた上で多変量解析を行い、前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱの変動及び前記介入要素を推定するための第二の特徴量である脳変化模倣特徴量を出力する第二の多変量解析処理部と
   を具備する、脳情報解析装置。
2. 前記第一の多変量解析処理部は、前記健康診断テーブルに登録された前記健康診断結果及び前記生活環境アンケート結果を説明変数とし、前記ＢＨＱテーブルに登録された前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱを目的変数として、単一の目的変数に対する多変量解析を実施するものである、請求項１に記載の脳情報解析装置。
3. 前記第一の多変量解析処理部は、重回帰分析を実施するものであり、
   前記第一の特徴量は重回帰式係数である、
   請求項２に記載の脳情報解析装置。
4. 脳情報解析装置が出力した第一の特徴量を用いて、任意の被験者の健康診断結果に対して第一の多変量解析に基づく推定を行い、被験者の脳画像データから得られる複数の灰白質量データの平均値を算出した値であるＧＭ−ＢＨＱの推定値であるＧＭ−ＢＨＱ推定値と、前記脳画像データから得られる複数の神経線維異方性データの平均値を算出した値であるＦＡ−ＢＨＱの推定値であるＦＡ−ＢＨＱ推定値を出力する、第一の多変量推定処理部と、
   前記脳情報解析装置が出力した第二の特徴量である脳変化模倣特徴量を用いて、前記被験者の前記健康診断結果と、前記被験者の、所定期間を経過する前の生活環境アンケート結果と所定期間を経過した後の前記生活環境アンケート結果との差分に対して第二の多変量解析に基づく推定を行い、前記被験者の、前記ＧＭ−ＢＨＱの変動推定値及び前記ＦＡ−ＢＨＱの変動推定値を出力する、第二の多変量推定処理部と
   を具備する、脳情報模倣演算装置。
5. 前記第二の多変量推定処理部は、前記脳情報解析装置が出力した第二の特徴量である脳変化模倣特徴量を用いて、前記被験者の前記健康診断結果と、前記ＧＭ−ＢＨＱの変動値及び前記ＦＡ−ＢＨＱの変動値または前記ＧＭ−ＢＨＱの変動推定値及び前記ＦＡ−ＢＨＱの変動推定値に対して第二の多変量解析に基づく推定を行い、前記被験者の、前記ＧＭ−ＢＨＱ及び前記ＦＡ−ＢＨＱが変動する要因である推定介入要素を出力するものである、
   請求項４に記載の、脳情報模倣演算装置。
6. 前記第一の多変量推定処理部は、重回帰式を演算するものであり、
   前記第二の多変量推定処理部は、説明変数が多数で、目的変数も多数の値を扱う学習アルゴリズムに基づく演算を実行するものである、
   請求項５に記載の、脳情報模倣演算装置。
   

Images