PET、脳波、臨床的特徴のマルチモーダル融合によるインターネットゲーム行動症予測のためのマルチカーネル型サポートベクターマシン

  • Jeong, B., Lee, J., Kim, H., Gwak, S., Kim, Y. K., Yoo, S. Y., Lee, D., & Choi, J.-S. (2022). Multiple-Kernel Support Vector Machine for Predicting Internet Gaming Disorder Using Multimodal Fusion of PET, EEG, and Clinical Features. Frontiers in Neuroscience, 16, 856510. https://doi.org/10.3389/fnins.2022.856510

インターネットゲーム行動症(IGD)は、近年、重要な社会的・精神的問題となっている。IGDを予防し、適切な介入を行うためには、IGDを正確に特定する予測方法が必要である。本研究では、Positron Emission Tomography(PET)、Electroencephalography(EEG)、臨床的特徴などのマルチモーダルな神経画像データを用いて、予測精度を高めるための機械学習手法を検討した。IGDの分類には、通常、すべての特徴を1つの特徴ベクトルに連結する従来の方法とは異なり、多重カーネルサポートベクトルマシン(MK-SVM)を採用した。IGD患者(N = 28)と健常者(N = 24)を対象に、SVM、ランダムフォレスト、ブースティングなどの標準的な機械学習手法の予測性能を提案手法と比較しました。その結果、3種類のモダリティを用いた最適なMK-SVMの予測精度は、最高精度86.5%、感度89.3%、特異度83.3%と、従来の機械学習法よりもはるかに高いことが示されました。さらに、最適なIGD予測モデルには、臨床変数の寄与率が最も高く、他の2つのモダリティも不可欠であることが推論された。また、カーネルの組み合わせにより、マルチモーダルデータをより効率的に統合することが、予測モデルの性能向上に寄与することがわかった。本研究は、異なるソースからの各手法を統合する新しい試みであり、自己記入式レポート、PET、EEGなどの各手法を統合することで、IGDの予測性能が向上することが示唆された。