脳科学と人工知能
1
脳科学委員会 ２０１７年７月７日
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
資料３－１
ブームだそうですが人工知能って何？？
•
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
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
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
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
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!?
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
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
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
Google, IBM, Intel,
Microsoft, Facebook,
ATR
周回遅れです
もう１周あります
パーセプトロン
Geoffrey Hinton
DNN、ディープQ、英仏翻訳
画像解説、
IBM TrueNorthなど
マービン・ミンスキー
パーセプトロン
MIT Press (1969)
単純型、複雑型細胞
ヒューベル＆ウィーゼル
1959
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
低次視覚皮質における特
定活動パターンの繰り返し
訓練前
訓練後
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
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)
NHKニュースAltmetric Score トップ1％
Page Views 8,525
2016/4/14 朝日新聞 他 2016 United Press人工知能で自閉症を見分ける
Shibata et al:
PLoS Biology (2016.9)
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Altmetric Score トップ1％
Page Views 11,813
2016/9/9日刊工業新聞, 9/22朝日新聞 他DecNef顔の好みを好き・嫌い
両方向に変更
Koizumi et al: Nature
Human Behaviour (2016.11)
2016/11/22 京都新聞,朝日新聞他 2016/11/22 The Guardian 誌の3面ほぼ 全面に掲載 NHK ニュースチェック11DecNef無意識に恐怖記憶を
消去:PTSD治療
Altmetric Score トップ1％
Page Views 22,047
Amano et al:
Current Biology
(2016.7)
2016/7/1朝日新聞他Altmetric Score トップ2％
DispatchesにPick Up
DecNef色と方位の連合学習
Yanagisawa et al: Nature
Communications (2016.10)
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
Altmetric Score トップ1％
Page Views 5,815
MEG-NF幻肢痛の減弱に成功
Cortese et al: Nature
Communications (2016.12)
2016/12/16 京都新聞,他 2016 UPI他Altmetric Score トップ1%
Page Views 4,481
DecNef自己意識を無自覚に変容
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
DNNとデコーディング
による一般物体認識
Altmetric Score トップ5％
Page Views 1,285
2017/5/23 朝日新聞, 京都新聞10
0 100 200 300 1990 2000 2010 2016
N
um
be
r o
f
pa
pe
rs
neurofeedback
neurofeedback, fMRI
neurofeedback, fMRI and "decoding OR multi-voxel OR connectivity"
neurofeedback and "decoding OR multi-voxel OR connectivity"
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
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
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
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
誘導したい
情報の尤度
デコーダ
関心領域内の
fMRI パターン
報酬は尤度に比例し試行の最後
固視点
1試行(10
秒程度）の開始
• 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
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
③平均波形抽出
④結合強度算出
①
EPI撮像
⑤得点化
（健常者に近いほど高得点）
08
⑥フィードバック
②画像再構成
（リアルタイムで出力）
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。
13
・抑うつ気分
・罪業感
・自殺念慮
等の抑うつ症状が改善
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
*
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
脳機能回路改善
NF訓練成功
病
態
指
標
改
善
day 1 day 2 day 3 day 4 20 40 60 80 N F B s co re No.1 day 1 day 2 day 3 day 4 20 40 60 80 N F B s co re No.2 day 1 day 2 day 3 day 4 0 20 40 60 80 100 No.3 N F B s co reNo.1
No.2
No.3
前
後
抑 う つ 症 状 抑 う つ 症 状 抑 う つ 症 状ト
レ
ー
ニ
ン
グ
成
績
ト レ ー ニ ン グ 成 績 ト レ ー ニ ン グ 成 績 ト レ ー ニ ン グ 成 績前
後
前
後
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
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
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
• 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
脳科学と人工知能融合の体制とトピックスの提案
16
AIP 談話室 人工知石井 能拠点 長 石井 人工知 能拠点 長
ＡＴＲ人工知能拠点レイアウト
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）
技員 技員 上田 AIP副ｾﾝﾀｰ長 AIP PI ・ ATR 主幹 研員 研員 研員 AIP 会議室 主任 主任 研員 学外N 共有 セミナー室 共有 セミナー室理研
AIPエリア
プリンタ他 プリンタ他 打合室 打合室 Free-address 学外F AIP 秘 書 学外O 学外O 学外N 学外N 学外K 学外K 主任 主任 研員 研員 AIP PI ・ ATR 室長 ATR 主幹ATR 主幹 ATR 室長ATR 室長 AIP ｻｰﾊﾞｰ 室 研員 研員 主任 主任 研員 研員 実習N 研員 客員 客員 研員 連 携 連 携 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
• 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
４．脳科学・人工知能・精神医学の融合
18
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)
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
疾病負荷の
28%
が精神神経疾患
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)
19
ＮＩＭＨ新たな診断・治療法
(ＲＤｏＣ)
う つ病 気分変調症 双極う つ病 遺伝リ スク 脳活動指標 (安静時脳機能結合etc.) 生理学的指標 行動指標 ラ イフ イ ベント 再現性確認 バイ オマーカ ー に基づく 治療従来診断による分類
様々なデータ
データ駆動型分類
Insel T et al. 2015 Scienceを一部改変
H
C
Clementz BA et al. Am J Psych 2016
Drysdale AT et al. Nat Med 2017
• 統合失調症
• 統合失調感情障害
• 双極性障害
バイオタイプ
従来診断
トラベリング - サブジェクト
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/wp-content/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。
東大病院(GE) 昭和大学付属烏山病院 (SIEMENS) ATR(SIEMENS) 京大病院(SIEMENS) 京都府立医科大(Philips) 八重洲クリニック (Philips) 広大病院(GE) 梶川病院(SIEMENS) 広大COI(SIEMENS) ※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） 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 京都府立医科大学 京大病院 ATR CiNet 広大COI 梶川病院 広大病院 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 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多精神疾患データベース
(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
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
信号の波形が近いと結合は正で強い（〜１）
22
23
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
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
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
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
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。
高次元データ
（脳機能結合）
攪乱要因
予測ターゲット
(ASD度)
ターゲットモデルの高精度化
Sparse Logistic Regression(SLR)：
Sparse Canonical Correlation Analysis (SCCA)：
モデル分解
自閉スペクトラム症の脳回路バイオマーカ
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)
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
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
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
脳回路から見た統合失調症の易罹病性
脳
回
路
か
ら
見
た
自
閉
ス
ペ
ク
ト
ラ
ム
症
の
易
罹
病
性
自閉症
統合
失調症
対照群
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
The associated liabilities model
in
Chisholm K et al. Neuroscience and
Behavioral Reviews (2015)
が支持される
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
!?
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
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
Tokyo (HC, Paroxetine)
Chiba（MDD, SNRI）
Hiroshima（MDD,
escitalopram）
b
a
c
d
si gn o f w ei gh t x c or re la tio n si gn o f w ei gh t x c or re la tio n si gn o f w ei gh t x c or re la tio n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
イ
オ
マ
ー
カ
で
の
各
機
能
結
合
の
貢
献
抗
う
つ
剤
で
健
常
化
し
た
か
悪
化
し
た
か
SSRI:
escitalopram
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
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
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
