深層学習を用いた非線形特徴から導出したEEG地図による意識障害の診断

意識の兆候を「聴く」

重度の脳損傷で反応がない状態にある愛する人を前に、家族や医師は胸が張り裂けるような疑問に直面します：内部に何らかの意識が残っているのか、もしあるならどの程度か。従来のベッドサイド検査は意識の微妙な兆候を見落とすことがあり、誤診は治療やリハビリ、さらには終末期の判断にまで影響を及ぼします。本研究は、EEG記録と信号の複雑さを示す数学的尺度、そして深層学習アルゴリズムを組み合わせて、損傷脳からの「声」をより正確に聞き分け、植物状態と最小意識状態という二つの主要な状態を識別する新しい方法を探ります。

一見似ていても全く異なる反応のない二つの状態

重い脳損傷後、一部の患者は目を開けるものの明確な意識の兆候を示さず、植物状態（無反応覚醒症候群、VS/UWS）と診断されます。他方、簡単な指示に時折従ったり、物の追視をしたり、声や触覚に意味のある反応を示す患者は最小意識状態（MCS）とされます。外見上は似て見えても、回復の見込みや必要なリハビリは大きく異なります。それでも、ベッドサイドの観察だけに頼ると、専門の臨床チームでも最大で約40%が誤分類することがあります。著者らは、患者の運動や発語能力に依存せず、ベッドサイドで使える客観的な脳ベースのツールで臨床を支援することを目指しました。

音と静寂で脳の複雑さを測る

研究者らは、標準化された昏睡回復尺度で注意深く評価された意識障害の成人104人を対象に調査しました。各患者は19チャネルのEEGで静かに休んでいる間と、家族の聞き取りを基に選んだ好みのアップテンポな音楽を聴いている間に脳活動を記録されました。従来の脳波に注目する代わりに、研究チームは近似エントロピーと呼ばれる非線形測度を算出しました。これはEEG信号が時間的にどれだけ複雑で予測困難かを捉える尺度です。簡単に言えば、エントロピーが高いほどより豊かで多様な脳活動を示し、意識的処理との関連が示唆されています。各頭皮電極から得られたエントロピー値はカラフルなトポグラフィックマップに変換され、安静時と音楽条件の両方で脳の「複雑性ポートレート」が作成されました。

マップを読むようにニューラルネットを訓練する

これらのマップを診断補助に変えるために、研究チームは畳み込みニューラルネットワーク（CNN）—画像認識でよく使われる深層学習の一種—を訓練してVS/UWSとMCSを区別するようにしました。各患者について、複数の1秒間のEEGセグメントをエントロピーマップに変換し、それらを組み合わせてCNNへの入力となる画像を作成しました。同時に、著者らはより伝統的な機械学習モデルとしてサポートベクターマシンと一般化回帰ニューラルネットワークの2つを構築し、EEGから選択した数値特徴量を用いて訓練しました。その後、慎重な臨床評価で真の診断が既に知られている独立したテスト群に対して、各アプローチのラベリング性能を比較しました。

脳信号の明確な差と精度の向上

研究結果は、最小意識状態の患者が植物状態の患者よりも複数の脳領域でエントロピーが高く、特に頭の左側でおよび好みの音楽を聴いているときに顕著であることを示しました。MCS患者では、エントロピーの高値が昏睡回復尺度の高得点と有意に関連しており、この尺度が意識の実際の差を反映していることを示唆しました。自動分類に関しては、CNNが最も良好に機能し、約90%の割合で両群を正しく識別し、高い要約精度指標（AUC 0.90）を達成しました。サポートベクターマシンはまずまずの成績を示し、一般化回帰ネットワークは後れを取りました。これらの結果は、画像に類する脳地図を深層学習モデルに入力することで、より単純な手法では捉えられない微妙な空間的パターンを捉えられることを示しています。

患者と家族にとっての意義

専門外の人にとっての重要な結論は、安静時および意味のある音楽を聴いているときの脳の「信号複雑性」が、隠れた意識に関する貴重な手がかりを含んでいるという点です。これらの手がかりを解釈しやすい地図に変え、ニューラルネットワークに学習させることで、研究者らは真に無自覚な患者とかろうじてだが実在する意識の形を保持する患者を見分ける手助けとなるツールを作りました。さらに大規模で多様な患者群での検証が必要ですが、日常的なEEG記録と慎重に選ばれた音、現代の人工知能を組み合わせることで、自ら語ることのできない人々により信頼できる「声」を提供する未来を指し示しています。

引用: Qu, S., Wu, X., Huang, L. et al. Diagnosis of disorders of consciousness using nonlinear feature derived EEG topographic maps via deep learning. Sci Rep 16, 7417 (2026). https://doi.org/10.1038/s41598-026-36733-6

キーワード: 意識障害, EEG, 深層学習, 植物状態, 最小意識状態