資料 3-1 脳科学委員会 2017 年 7 月 7 日 脳科学と人工知能 川人光男 ATR 脳情報通信総合研究所 所長 理研革新知能統合研究センター 特任顧問 AMED 脳科学研究戦略推進プログラム DecNef を応用した精神疾患診断 治療 領域代表 NEDO 人工知能 ATR 共同研究拠点 副代表 情報通信研究機構 (NICT) 脳情報通信融合研究センター (CiNet) 副センター長 1
ブームだそうですが人工知能って何?? 学会 研究分野 経歴 年齢 人それぞれ考えていることが違う 70 代以上 : 記号処理 言語 人工的に人の知能を実現 第五世代 LISP(ELISA) PROLOG 認知科学 60 代 : 脳科学 計算論的神経科学 受容野 強化学習 教師あり学習 教師無し学習 50 代 : 人工ニューラルネットワーク ネオコグニトロン 多層パーセプトロン バックプロパゲーション 砂時計 TD ギャモン TDNN 連想記憶 ホップフィールドモデル ボルツマンマシン 40 代 : 機械学習 NIPS ICML SVM カーネル法 ARD ベイズ 最適化 計算学習理論 統計学習理論 汎化誤差 Bias-Variance ジレンマ 最小記述長 VC 次元 30 代 :IBM ワトソン クイズ番組 見かけは昔風人工知能 中味は機械学習モジュール 20 代以下 : ディープニューラルネットワーク :DNN グーグル ディープマインド Facebook 深層学習 CNN DeepQ アルファ碁 2
人工知能の成功と失敗機械学習 + ビッグデータ + 高速演算ディープニューラルネットワーク DNN 4-1 3
人工知能ブームの過剰な期待と混乱 人工知能をヒトの知能の人工的な再現と定義すれば そのようなものは存在しない ヒト知能のごく一部を切り出してきた歴史 : 四則演算 シンボルに基づく演繹的推論 記憶 検索 ビッグデータに頼る帰納的 統計的推論 スマホにディープニューラルネットワーク (DNN) 白血病診断に IBM ワトソン 自動運転等々影響は深くて広い これまでの人工知能は 脳の機能のごく一部 運動学習 シンボル生成 辺縁系 注意 意識などまだ 4
ヒト型ロボットのシミュレーションは難しく 転倒すれば故障するので 学習用の訓練データは多数試行取れない :DNN は使えない DARPA Robotic Challenge 2015 多数は転倒 少数は恐ろしくノロイ PM Gill Pratt 新しい概念皆無!? 5
脳科学と人工知能の融合 1. 脳科学と人工ニューラルネットワークが ディープラーニングを含む機械学習の源流 2. 人工知能技術は脳情報解読 脳活動パターン制御など脳科学に貢献 ( 例 神谷之康 ヒト fmri デコーディング ; 川人光男 デコーディッドニューロフィードバック ) 3. 脳科学は未來の人工知能技術開発の元 ( 意識 注意 少数サンプルからの学習 ) 4. 脳科学 人工知能 精神医学の融合で精神疾患を再定義し 革新治療法を開発 6
1. 脳科学と人工ニューラルネットワーク が現在の人工知能ブームの原点 単純型 複雑型細胞ヒューベル & ウィーゼル 1959 パーセプトロン マービン ミンスキーパーセプトロン MIT Press (1969) バックプロパゲーション TDNN(ATR) ホップフィールドネットボルツマンマシンネオコグニトロン (NHK) ニューロチップ TD ギャモン 周回遅れですもう 1 周あります Google, IBM, Intel, Microsoft, Facebook, ATR Geoffrey Hinton DNN ディープ Q 英仏翻訳画像解説 IBM TrueNorth など 7
2. 人工知能技術は脳科学に貢献 脳情報解読技術 ( デコーディング ) 神谷之康室長 ( 京大教授兼務 ) 機械学習アルゴリズムで fmri パターンを解読 縞の方位 (2005) 白黒画像再構成 (2008) 夢の解読 (2013) DNN を用いた一般物体デコーディング (2017) 脳活動パターン制御技術 (XNef) 川人光男所長 今水寛所長 渡邊武郎室長等 機械学習と fmri 実時間ニューロフィードバックを組み合わせて ヒトの脳内に活動パターンを誘導 ( デコーディッドニューロフィードバック DecNef) 脳活動から意識への因果関係を DecNef で解明 脳回路に基づく精神疾患バイオマーカーと機能結合ニューロフィードバック (FCNef) を組み合わせてうつ病や自閉症を治療 8
DecNef: デコーディッドニューロフィードバック法機械学習と強化学習法を組み合わせて 脳内に特定の情報パターンを生成する 視覚課題成績 知覚学習 視覚意識 ( トップダウン信号 ) なし視覚刺激なし 因果関係 訓練前 訓練後 低次視覚皮質における特定活動パターンの繰り返し Shibata K, Watanabe T, Sasaki Y, Kawato M: Perceptual learning incepted by decoded fmri neurofeedback without stimulus presentation. Science, 334 1413-1415 (2011) 9
脳科学と人工知能 この一年の高ＩＦ雑誌8論文 Altmetric score: 同時期に出版された論文のうち 各種ソーシャルメディア等から集めた注目度 (2017.6.14現在) Yahata et al: Nature Communications (2016.4) Altmetric Score トップ1 Page Views 8,525 Shibata et al: PLoS Biology (2016.9) Altmetric Score トップ1 Page Views 11,813 NHKニュース 2016/4/14 朝日新聞 他 2016 United Press 人工知能で自閉症を見分ける Amano et al: Current Biology (2016.7) Altmetric Score トップ2 DispatchesにPick Up 2016/9/9日刊工業新聞, 9/22朝日新聞 他 世界で最も広く読まれ ている電気電子分野 の雑誌(300万部 IEEE SPECTRUMに紹介 NHKニュース DecNef顔の好みを好き 嫌い 両方向に変更 Yanagisawa et al: Nature Communications (2016.10) Altmetric Score トップ1 Page Views 5,815 Koizumi et al: Nature Human Behaviour (2016.11) Altmetric Score トップ1 Page Views 22,047 DecNef色と方位の連合学習 MEG-NF幻肢痛の減弱に成功 Altmetric Score トップ5 Page Views 1,285 2016/11/22 京都新聞,朝日新聞他 2016/11/22 The Guardian 誌の3面ほぼ NHK ニュースチェック11 全面に掲載 DecNef無意識に恐怖記憶を 消去:PTSD治療 Cortese et al: Nature Communications (2016.12) Altmetric Score トップ1% Page Views 4,481 2016/7/1朝日新聞他 10/27 NHKニュース 時事ドットコムニュース 朝日新聞, UPI Top News他 Takagi et al: Nature Human Behaviour (2017.3) 2017/3/7 CNRS News ヒト協調行動をロボットで再現 Horikawa et al: Nature Communications (2017.5) Altmetric Score トップ5% Page Views 4,052 2017/5/23 朝日新聞, 京都新聞 2016/12/16 京都新聞,他 2016 UPI他 DecNef自己意識を無自覚に変容 DNNとデコーディング による一般物体認識 10
300 200 ニューロフィードバック論文数が急増緑が脳プロで開発した DecNef 等 fmri と人工知能技術を組み合わせた先進型 ヒトで使える因果的手法 : 動物のオプトジェネティクスに対応 Number of papers neurofeedback neurofeedback, fmri neurofeedback, fmri and "decoding OR multi-voxel OR connectivity" neurofeedback and "decoding OR multi-voxel OR connectivity" 100 2017 年には二重盲険 RCT 研究も二つ出現 うつ従来型 fmri Young KD et al., Am J Psych, 2017 April 動物恐怖症 DecNef Vincent Dumouchel et al., 2016 0 1990 2000 2010 2016 11
意識を DecNef で因果的に解明 DecNef は多芸 多才顔の好み Shibata et al., PLoS Biol. 14(9): e1002546, 2016; 連合学習 Amano et al., Curr Biol., 26, 1-6, 2016; マカクサル Shingo Tanaka, pers com; 恐怖記憶消去 Koizumi et al., Nature Human Behav, 1, 0006, 2016; 二重盲険恐怖症 Vincent Dumouchel, 2016; 自信操作 Cortese et al., Nature Commu, 7, 13669, 2016; 双方向制御 Cortese et al., NeuroImage, 149, 323, 2017 被験者は誘導された情報を意識できない 情報は他領域に漏れない 一つの領域での脳活動は意識には十分でない 脳活動を実験的に作り出せるという意味で 光遺伝学に優る複数の特徴 ( ヒト 情報 時間 複数データ ) 世界の複数の研究室から実験プログラムなどの要望 国際連携のツール? 意識に必要なのは領域間の情報伝送? DecNef の神経機構をモデル動物で解明する必要 デコーディング 意識下 教示なし 試行の最後に金銭報酬フィードバック 固視点 1 試行 (10 秒程度 ) の開始 報酬は尤度に比例し試行の最後 関心領域内の fmri パターン デコーダ 誘導したい情報の尤度 12
データと人工知能技術に基づく先端的 fmri 実時間ニューロフィードバックの精神疾患治療への応用 精神疾患は脳ダイナミクスの異常であるという仮説に基づき 脳ダイナミクスを脳機能結合パターン ( 結合 NF) もしくは多重ボクセルパターン (DecNef) としてバイオマーカとデコーダーにもとづき定量化する 疾患ダイナミクスを健常ダイナミクスへと強化学習 ( 神経オペラント条件付け ) で誘導する 1EPI 撮像 6 フィードバック 08 2 画像再構成 ( リアルタイムで出力 ) 5 得点化 ( 健常者に近いほど高得点 ) 3 平均波形抽出 4 結合強度算出 13
左背外側前頭前野と左後部デフォールトモードネットワーク間の異常な正の結合をニューロフィードバックで負に健常化 トレーニング成績サブクリニカル群で安静時脳機能結合の改善と BDI 改善が相関 NF 訓練成功 * NFB score 80 60 40 20 病態指標改善脳機能回路改善うつ病慢性患者 3 名全てでトレーニング成績向上 & HAM-D 得点と抑うつ症状減少抑No.1 No.2 No.3 うつNo.1 症No.2 No.3 状100 80 80 60 60 前後抑うつ症状トレーニング前 40 グ40 成成20 績20 0 1 day day 2 day 3 day 4 NFB score day 1 day 2 day 3 後 抑うつ気分 罪業感績前 自殺念慮等の抑うつ症状が改善 Yamada T, Hashimoto R, Yahata N, Ichikawa N, Yoshihara Y, Okamoto Y, Kato N, Takahashi H, Kawato M: Resting-state functional connectivity-based biomarkers and functional MRI-based neurofeedback for psychiatric disorders: a challenge for developing theranostic biomarkers, arxiv.org, 1704.01350 (2017) Int J Neuropsychopharm, to appear day 4 NFB score day 1 day 2 day 3 day 4 抑うつ症状トレーニントレーニング成績後 14
3. 脳科学は未来の人工知能技術の源 ATR での研究の歴史 多層パーセプトロンの万能性 TDNN( 時間遅れニューラルネット スマホに入っている DNN-HMM の皮切りとなった ) 計算論的神経科学 フィードバック誤差学習 内部モデル 階層強化学習 スパースネスに基づく機械学習 ATR での研究の焦点 DNN とヒト fmri デコーディングの融合 少数個のサンプルからの学習 次元ののろい ( 多自由度運動学習 ) の解決 脳ダイナミクス ニューロンの同期と学習自由度の制御 動物小脳の神経計測データと計算モデル 意識 注意 エピソード記憶 概念化が少数個のサンプルからの学習を可能にする神経機構であるという仮説を ヒト DecNe f 実験とモデル化で検証 15
脳科学と人工知能融合の体制とトピックスの提案 理研 脳科学総合研究センターの脳を創るは脳型コンピュータを開発することを目標にしていた 産総研人工知能センター NEDO 計算神経科学に基づく脳データ駆動型人工知能の研究開発 ATR 共同研究拠点 代表 石井信 ATR 認知機構研副所長 理研革新知能統合研究センター AIP 総務省 NICT CiNet 脳研究と人工知能 銅谷賢治さん新学術領域 人工知能と脳科学の対照と融合 Google Deep Mind: ヒト脳研究 従来のプロジェクトで足りないのは 実験研究者 計算論的神経科学者 人工知能研究者の緊密な協力 人工知能の大問題に絞った協力体制を 理研 CBS と AIP を中心に構築し そこに大学 ATR 等の研究機関が協力する トピックス候補 : 身体運動制御 次元ののろい 汎用人工知能 意識と注意 同期と自由度制御 概念形成 エピソード記憶 脳の非線形ダイナミクスなどなど 16
ATR 人工知能拠点レイアウト 打合室 打合室 AIP 会議室 共有セミナー室 共有セミナー室 プリンタ他 AIP サーハ ー室 研員 学外 N 研員 主任 研員 客員 主任 学外 F 研員 AIP PI ATR 主幹 AIP PI ATR 室長 AIP 秘書 上田 AIP 副センター長 AIP 談話室 ATR 主幹 ATR 室長 技員 研員 学外 O 学外 K 学外 N Free-address 主任主任研員研員実習 N 研員客員 研員 連携 石井人工知能拠点長 理研 AIP エリア 青字 : 経産省 NEDO 次世代人工知能 ロボット中核技術開発 計算神経科学に基づく脳データ駆動型人工知能の開発 赤字 : 理化学研究所革新知能統合研究センター (AIP) 緑字 : 文部科学省 AMED 日本医療研究開発機構脳科学研究戦略推進プログラム DecNef を応用した精神疾患の診断 治療システムの開発と臨床応用拠点の構築 BMI リハビリテーションのための上肢 下肢外骨格ロボットの開発と制御 JST 科学技術振興機構 CREST 知的情報処理領域 ( 萩田総括 ) プロジェクト総務省情報通信研究機構 NICT 脳活動推定技術高度化のための測定結果推定システムに向けたモデリング手法の研究開発 科学研究補助金新学術領域 人工知能と脳科学の対照と融合 ( 銅谷代表 ) JST 科学技術振興機構世界に誇る地域発研究開発 実証拠点 ( リサーチコンプレックス ) 推進プログラム i-brain ICT 超快適 スマート社会の創出グローバルリサーチコンプレックス と連携 17
4. 脳科学 人工知能 精神医学の融合 脳プロ BMI 技術 DecNef 課題の精神医学成果 海外に汎化する精神疾患バイオマーカーを開発 2 千人の機能 fmri データベースを構築 問題の難しさ ( 施設間差異 ) の本質を理解 : ゲノムと違う スパースネスに基づく機械学習アルゴリズムの開発による機能結合の絞り込みと部分的解決 今後の希望 : 脳プロ国際連携と理研 AIP 共同 1 万人規模の進化するデータベース 理研 AIP との連携による施設間差異の理論的解決 海外のデータベースプロジェクトとの共同 脳ネットワークダイナミクスのより良いモデル化 疾患を脳科学と AI で再定義 : 精密医療 個別化医療へ 18
精神疾患 発達障害の診断と治療の現状と脳科学 人工知能技術の可能性 診断は症候だけに依存し 脳科学による生物学的検査は存在しない : 発達障害初診待ち最長 10 ヶ月機関 自閉スペクトラム障害や薬物依存などでは有効な薬物療法がない うつ病に対する抗うつ薬の有効性は全患者の 40% 程度 また 50% 以上の患者で再発 過去 30 年で精神医学分野で大ヒットする薬物は開発されていない : メガファーマ撤退 診断と治療にシステム神経科学 特に計算理論と人工知能技術をどう役立てるか : バイオマーカと fmri ニューロフィードバック治療 世界で 250 兆円の社会経済損失 ; 精神神経薬世界市場 4 兆 2,804 億円 (2014 年 ) 障害調整生命年 (disability-adjusted life year; DALY): 病的状態 障害 早死により失われた年数を意味した疾病負荷を総合的に示すもの (WHO) 疾病負荷の 28% が精神神経疾患 19
NIMH 新たな診断 治療法 (RDoC) 従来診断による分類 うつ病 様々なデータ データ駆動型分類 遺伝リスク 気分変調症 双極うつ病 脳活動指標 ( 安静時脳機能結合 etc.) 生理学的指標 行動指標 再現性確認 バイオマーカーに基づく治療 ライフイベント バイオタイプ 従来診断 Insel T et al. 2015 Science を一部改変 H C 統合失調症 統合失調感情障害 双極性障害 Clementz BA et al. Am J Psych 2016 Drysdale AT et al. Nat Med 2017 20
AMED-DecNef 多精神疾患データベース九機関 十四スキャナー (ATR 数理知能研田中沙織室長 ) 多疾患 ( うつ 統合失調症 自閉症スペクトラム障害 強迫性障害 疼痛など ) および健常者の安静時脳機能画像を平成 28 年度までに 1,928 例収集し 多精神疾患データベースを構築中 ( 平成 29 年度中に約 2,200 例を計画 ) 安静時脳機能画像の撮像統一プロトコル # を平成 25 年度に策定し 革新脳精神疾患グループでも後に採用されて 日本の標準となった # http://www.cns.atr.jp/wpcontent/uploads/2014/10/ef2eaddab570b9f0119571c99b4a2996.pdf トラベリング - サブジェクト撮像を実施し 施設間の違いを補正する方法を開発した データベース コンソーシアムのホームページでバイオマーカー開発プログラムを公開した データも今年度中に公開予定 トラベリング - サブジェクト 撮像プロトコルはすべての施設で同じ ( 撮像マシンは異なる ) 多精神疾患データベース ATR(SIEMENS) 広大 COI(SIEMENS) 昭和大学付属烏山病院 (SIEMENS) 東大病院 (GE) 八重洲クリニック (Philips) 実験協力者 9 名 東大病院昭和大学付属烏山病院八重洲クリニック 研究機関 MRI スキャナ 疾患 データ数患者健常者合計 東京大学 GE, Philips うつ 統合失調症 157 175 332 大阪大学 Siemens 慢性疼痛 53 29 82 昭和大学 Siemens 自閉スペクトラム症 117 80 197 京都大学 Siemens 統合失調症 113 163 276 広島大学 GE, Siemens うつ 297 456 753 ATR Siemens - 9 160 169 梶川病院 (SIEMENS) 広大病院 (GE) 京大病院 (SIEMENS) 京都府立医科大 (Philips) 広大 COI 梶川病院広大病院 京都府立医科大学京大病院 ATR CiNet 京都府立医科大学 Philips 強迫性障害 105 90 195 CiNet Siemens 腰痛 24 39 63 合計 875 1192 2067 ( 平成 29 年 6 月 30 日時点 ) 21
安静時 fmri 全脳機能結合回路 1 万結合で定量 : 従来型人工知能では 10 万人必要 機能的磁気共鳴画像で 2 つの脳領域の機能的結合を決める 信号の波形が近いと結合は正で強い ( 1) 機能的結合は 2 つの脳信号の相関で決める 似ている : 相関正逆 : 相関負関係ない : 相関 0 脳全体を皺にもとづいて 140 個の小領域に分ける 脳の全体回路を定量的に表す 9,730=140x(140-1)/2 個の機能的結合が求まる : 個人脳 = 1 万個の数 22
9 人の被験者が 12 施設で撮像 : トラベリング サブジェクト 撮像プロトコルと機種で安静時のデータが見事に分かれてしまう 四精神疾患全てで機能結合が負に変化 ほとんどの疾患の差より 健常者の個人差 施設間の 2 種類の差 ( 機械 被験者 ) の方が大きい 23 23
完全な独立検証コホートへ汎化させる人工知能技術 攪乱要因と少数サンプル訓練データに対応する機械学習アルゴリズム森本淳室長 Giuseppe Lisi 研究員等の成果 ターゲットモデルの高精度化 予測ターゲット (ASD 度 ) モデル分解 高次元データ ( 脳機能結合 ) Sparse Logistic Regression(SLR): 攪乱要因 Sparse Canonical Correlation Analysis (SCCA): 開発された技術 : 少ないデータからの予測を可能とするために ターゲット以外の攪乱要因を活用する ターゲットモデルとそれ以外の攪乱要因モデルの分解 ターゲットモデルの高精度化 脳データに特異的な性質は用いていないため 少数データ学習問題一般に応用可能 24
自閉スペクトラム症の脳回路バイオマーカ 外部独立検証コホートに汎化する : 日本 3 施設 85% 米国数施設 75% = 易罹病性 Yahata N, Morimoto J, Hashimoto R, Lisi G, Shibata K, Kawakubo Y, Kuwabara H, Kuroda M, Yamada T, Megumi F, Imamizu H, Nanez JE, Takahashi H, Okamoto Y, Kasai K, Kato N, Sasaki Y, Watanabe T, Kawato M : A small number of abnormal brain connections predicts adult autism spectrum disorder, Nature Communications, 7:11254, (2016) 25
自閉症と統合失調症の重なり : 従来診断から脳回路の生物学的次元を導出 回路から見た自閉スペクトラム症の易罹病性脳回路から見た統合失調症の易罹病性脳自閉症 対照群 統合失調症 自閉症と統合失調症の関係に関する仮説が検証出来た 1. 包含関係 2. 無関係 3. オーバーラップ The associated liabilities model in Chisholm K et al. Neuroscience and Behavioral Reviews (2015) が支持される 京大医精神科 吉原雄二郎医師 高橋英彦准教授 昭和大 東大などとの共同研究 26
抗うつSSRI: 剤で健常化したか悪化したかメランコリー型うつ状態バイオマーカから判ったこと : 最重要な左 DL PFC と左後部 DMN 間の機能結合は抗うつ薬 SSRI 治療で逆方向!? a escitalopram b イオマーカでの各機能結合の貢献メランコリ型うつ病のバイオマーカに選択された機能結合バHiroshima(MDD, escitalopram) c Chiba(MDD, SNRI) d Tokyo (HC, Paroxetine) 抗うつ薬のみでは うつ病の治療としては不十分で 機能結合ニューロフィードバック DLPFC 等を標的にした TMS さらには ECT 等の必要性が脳機能回路の異常とその抗うつ薬治療による変化から強く示唆される sign of weight x correlation sign of weight x correlation 広島大学精神科市川奈穂研究員 岡本泰昌准教授等との共同研究 sign of weight x correlation 27
まとめ 現在の人工知能ブーム 特に深層学習の源流には脳科学があります 脳科学は未来の人工知能を産み出します 脳プロにふさわしい研究体制 研究トピックスがあると思います 人工知能技術はすでに脳科学 精神医学に貢献しています 意識の因果的な理解 精神疾患の治療は今後の大きな課題です 精神医学 脳科学 人工知能を融合して 精神疾患を再定義する目標は 施設間差異があり ビッグデータ獲得など難しいですが 日本に強みが有り 精密医療 個別化医療の必須条件です 28
補足資料 業績 参考文献 29
人工知能技術を脳科学に応用するデコーディングと先進ニューロフィードバック (ATR 成果 ) Watanabe T, Sasaki Y, Shibata K, Kawato M: Advances in fmri real-time neurofeedback, Trends in Cognitive Sciences, under revision (2017) DecNef の総説 Yamashita A, Hayasaka S, Kawato M, Imamizu H: Connectivity neurofeedback training can differentially change functional connectivity and cognitive performance, Cerebral Cortex, in press (2017) 機能結合 NFで認知機能を双方向に操作 Horikawa T & Kamitani Y: Generic decoding of seen and imagined objects using hierarchical visual features, Nature Communications, 7: 15037 (2017) DNNとfMRIデコーディングで1000 以上の一般物体認識 Cortese A, Amano K, Koizumi A, Lau H, Kawato M: Decoded fmri neurofeedback can induce bidirectional confidence changes within single participants, NeuroImage, 149, 323 337 (2017) DecNefで個人内で双方向操作 Cortese A, Amano K, Koizumi A, Kawato M, Lau H: Multivoxel neurofeedback selectively modulates confidence without changing perceptual performance, Nature Communications, 7:13669 (2016) DecNefでメタ認知 : 視覚認知の自信を操作 背外側前頭前野 頭頂葉 Shibata K, Sasaki Y, Watanabe T, Kawato M: Response to comment on Perceptual learning incepted by Decoded fmri neurofeedback without stimulus presentation ; How can a decoded neurofeedback method (DecNef) lead to successful reinforcement and visual perceptual learning? arxiv.org, 1612.03270 (2016) DecNefの神経機構のモデル Koizumi A, Amano K, Cortese A, Shibata K, Yoshida W, Seymour B, Kawato M, Lau H: Fear reduction without fear through reinforcement of neural activity that bypasses conscious exposure, Nature Human Behavior, 1:0006 (2016) DecNefで恐怖記憶消去 Yanagisawa T, Fukuma R, Seymour B, Hosomi K, Kishima H, Shimizu T, Yokoi H, Hirata M, Yoshimine T, Kamitani Y & Saitoh Y: Induced sensorimotor brain plasticity controls pain in phantom limb patients, Nature Communications, 7: 13209 (2016) MEG NFとデコーディングで幻肢痛減弱 Shibata K, Watanabe T, Kawato M, Sasaki Y: Differential activation patterns in the same brain region led to opposite emotional states, PLoS Biology, 14(9): e1002546 (2016) DecNefで顔の好みを双方向に操作 帯状皮質 Amano K, Shibata K, Kawato M, Sasaki Y, Watanabe T: Learning to associate orientation with color in early visual areas by associative decoded fmri neurofeedback, Curr Biol, 26(14), 1861 1866 (2016) DecNefで色と方位の連合学習を視覚野で 3から5ヶ月の長期効果 Cortese A, Amano K, Koizumi A, Lau H, Kawato M: Decoded fmri neurofeedback can induce bidirectional behavioral changes within single participants, arxiv.org, 1603.03162 (2016) Shibata K, Watanabe T, Kawato M, Sasaki Y: Differential activation patterns in the same brain region led to opposite emotional states, arxiv.org, 1603.01351 (2016) Megumi F, Yamashita A, Kawato M, Imamizu H: Functional MRI neurofeedback training on connectivity between two regions induces long-lasting changes in intrinsic functional network, Frontiers in Human Neuroscience, 9(160) (2015) 機能結合 NFの提案と安静時脳機能結合を2ヶ月以上にわたって変更 Horikawa T, Tamaki M, Miyawaki Y & Kamitani Y: Neural decoding of visual imagery during sleep, Science, 340, 639-642 (2013) 夢のfMRIデコーティング引用回数 198 回 Shibata K, Watanabe T, Sasaki Y, Kawato M: Perceptual learning incepted by decoded fmri neurofeedback without stimulus presentation, Science, 334(6061), 1413-1415 (2011) DecNefの提案 視覚知覚学習が視覚野で 意識下で生じる引用回数 229 回 Miyawaki Y, Uchida H, Yamashita O, Sato MA, Morito Y, Tanabe HC, Sadato N, Kamitani Y: Visual image reconstruction from human brain activity using a combination of multiscale local image decoders. Neuron, 60(5), 915-929 (2008) 白黒画像のfMRIモヂュラーデコーディングによる再構成引用回数 340 回 Kamitani Y, Tong F: Decoding the visual and subjective contents of the human brain, Nature Neuroscience, 8(5), 679-685 (2005) fmri 高性能デコーディングのパイオニア論文引用回数 1,408 回 30
脳科学から人工知能技術を生み出す ATR のニューラルネットワークと計算論的神経科学の業績 Horikawa T & Kamitani Y: Generic decoding of seen and imagined objects using hierarchical visual features, Nature Communications, 7: 15037 (2017) Takagi A, Ganesh G, Yoshioka T, Kawato M, Burdet E: Physically interacting individuals estimate the partner s goal to enhance their movements, Nature Human Behavior, 1:0054 (2017) 物理的相互作用によるヒトの協調アルゴリズムをロボットに実装 Morimoto J, Kawato M: Creating the brain and interacting with the brain: an integrated approach to understanding the brain, Journal of the Royal Society Interface, 12(20141250) (2015) ロボティクスと脳科学の融合 Horikawa T, Tamaki M, Miyawaki Y & Kamitani Y: Neural decoding of visual imagery during sleep, Science, 340, 639-642 (2013) Toda A, Imamizu H, Kawato M, Sato M: Reconstruction of two-dimensional movement trajectories from selected magnetoencephalography cortical currents by combined sparse Bayesian methods, NeuroImage, 54, 892-905 (2011) スパースネスによる機械学習回帰アルゴリズム Kawato M: From understanding the brain by creating the brain toward manipulative neuroscience. Philosophical Transactions of the Royal Society B, 363, 2201-2214 (2008) 脳活動から心への因果関係を証明する操作脳科学の提案 Yamashita O, Sato M, Yoshioka T, Tong F, Kamitani Y: Sparse estimation automatically selects voxels relevant for the decoding of fmri activity patterns, NeuroImage, 42(4), 1414-29 (2008). 引用回数 231 回スパースネスによる機械学習分類アルゴリズム 少数サンプルからの学習をある程度可能にする Miyawaki Y, Uchida H, Yamashita O, Sato MA, Morito Y, Tanabe HC, Sadato N, Kamitani Y: Visual image reconstruction from human brain activity using a combination of multiscale local image decoders. Neuron, 60(5), 915-929 (2008) Kamitani Y, Tong F: Decoding the visual and subjective contents of the human brain, Nature Neuroscience, 8(5), 679-685 (2005) Tanaka SC, Doya K, Okada G, Ueda K, Okamoto Y, and Yamawaki S.: Prediction of immediate and future rewards differentially recruits cortico-basal ganglia loops. Nature Neuroscience, 7 (8), 887-893 (2004) Burdet E, Osu R, Franklin D, Milner T, Kawato M: The central nervous system stabilizes unstable dynamics by learning optimal impedance. Nature, 414, 446-449 (2001). Imamizu H, Miyauchi S, Tamada T, Sasaki Y, Takino R, Puetz B, Yoshioka T, Kawato M: Human cerebellar activity reflecting an acquired internal model of a new tool. Nature, 403, 192-195 (2000). Kawato M: Internal models for motor control and trajectory planning. Current Opinion in Neurobiology, 9, 718-727 (1999). 内部モデルと小脳計算モデルの総説引用回数 2,022 回 Wolpert D, Kawato M: Multiple paired forward and inverse models for motor control. Neural Networks, 11, 1317-1329 (1998). モザイクモデル : 順逆内部モデル対引用回数 1,820 回 Gomi H, Kawato M: Equilibrium-point control hypothesis examined by measured arm-stiffness during multijoint movement. Science, 272, 117-120 (1996). 多関節運動における内部モデルの必要性 Shidara M, Kawano K, Gomi H, Kawato M: Inverse-dynamics model eye movement control by Purkinje cells in the cerebellum, Nature, 365, 50-52 (1993). 小脳における逆モデルの存在証明 Waibel A, Hanazawa T, Hinton G, Shikano K, Lang KJ: Phoneme recognition using time-delay neural networks, IEEE Transactions on Acoustics, Speech, and Signal Processing, 37(3), 328 339 (1989) スマホにも入っているDNN-HMMの皮切りとなったTDNNのパイオニア論文引用回数 2,349 回 Funahashi K: On the approximate realization of continuous mappings by neural networks, Neural Networks, 2(3), 183-192 (1989) DNNも一例である多層パーセプトロン (MLP) の万能性を数学的に証明したパイオニア論文引用回数 4,323 回 31
精神医学 脳科学 人工知能を融合して 精神疾患を再定義する AMED BMI DecNef 課題の業績 Yamashita M, Yoshihara Y, Hashimoto R, Yahata N, Ichikawa N, Sakai Y, Yamada T, Matsukawa N, Okada G, Tanaka SC, Kasai K, Kato N, Okamoto Y, Seymour B, Takahashi H, Kawato M, Imamizu H: A prediction model of working memory across health and psychiatric disease using whole-brain functional connectivity, Brain, revised manuscript submitted (2017) 複数の精神疾患と発達障害 及び健常 定型発達の約 1000 人の被験者で作業記憶能力が共通の安静時脳機能結合ネットワークで障害されている Takagi Y, Sakai Y, Lisi G, Yahata N, Abe Y, Nishida S, Nakamae T, Morimoto J, Kawato M, Narumoto J, Tanaka SC: A neural marker of obsessive-compulsive disorder from whole-brain functional connectivity, Scientific Reports, in press (2017) 強迫性障害の安静時脳機能結合にもとづくバイオマーカ Yamada T, Hashimoto R, Yahata N, Ichikawa N, Yoshihara Y, Okamoto Y, Kato N, Takahashi H, Kawato M: Restingstate functional connectivity-based biomarkers and functional MRI-based neurofeedback for psychiatric disorders: a challenge for developing theranostic biomarkers, arxiv.org, 1704.01350 (2017) Int J Neuropsychopharmacol, to appear (2017) 安静時脳機能結合によるセラノスティックバイオマーカーとニューロフィードバック治療の総説 うつと自閉症に対する治療実績の最初の報告 Ichikawa N, Lisi G, Yahata N, Okada G, Takamura M, Yamada M, Suhara T, Hashimoto R, Yamada T, Yoshihara Y, Takahashi H, Kasai K, Kato N, Yamawaki S, Kawato M, Morimoto J, Okamoto Y: Identifying melancholic depression biomarker using whole-brain functional connectivity, arxiv.org, 1704.01039 (2017) メランコリー型うつの安静時脳機能結合にもとづく状態バイオマーカ Yahata N, Kasai K, Kawato M: Computational neuroscience approach to biomarkers and treatments for mental disorders, Psychiatry and Clinical Neurosciences, 71: 215 237 (2017) 安静時脳機能結合を用いた精神疾患と発達障害のバイオマーカの総説 Yahata N, Morimoto J, Hashimoto R, Lisi G, Shibata K, Kawakubo Y, Kuwabara H, Kuroda M, Yamada T, Megumi F, Imamizu H, Nanez JE, Takahashi H, Okamoto Y, Kasai K, Kato N, Sasaki Y, Watanabe T, Kawato M: A small number of abnormal brain connections predicts adult autism spectrum disorder, Nature Communications, 7:11254 (2016) 新しい人工知能技術を開発して 世界で初めて海外の完全な独立検証コホートに汎化する成人の高機能自閉症分類器 バイオマーカーを安静時脳機能結合ネットワークから構築 Yamashita M, Kawato M, Imamizu H: Predicting learning plateau of working memory from whole-brain intrinsic network connectivity patterns, Scientific Reports, 5(7622) (2015) 健常者個人の作業記憶能力を安静時脳機能結合ネットワークから予測 32