少ない脳画像データから再現性の高い予測が可能に －大規模脳画像データの「主成分」を小規模研究に転用し、脳行動予測の再現性を向上－

少ない脳画像データから再現性の高い予測が可能に－大規模脳画像データの「主成分」を小規模研究に転用し、脳行動予測の再現性を向上－

2026年6月12日 11:00 | プレスリリース?研究成果

【本学研究者情报】

〇情报科学研究科　准教授　细田千寻

【発表のポイント】

大脳皮质厚データに主成分分析（笔颁础）^（注¹^）を行った场合、100人未満のサンプルでは主成分が极めて不安定になることを定量的に証明しました。サンプル间の安定性の94?97%がサンプルサイズで説明されました。
大规模データの「主成分ベクトル」^（注²^）をデータが重复しない小规模サンプルに転用すると、认知能力?性格特性の予测精度が有意に向上しました。
採用する主成分数を検讨した结果、最适なピーク値があることが示されました。

【概要】

脳惭搁滨研究では、少ない被験者で解析すると结果が再现されないという「再现性危机」が深刻な问题です。特に16万4千次元に及ぶ脳画像データへの主成分分析（笔颁础）は、サンプルが少ないと主成分ベクトル（固有ベクトル）が安定せず、后続の解析全体の信頼性を损ないます。

东北大学大学院情报科学研究科（兼：加齢医学研究所）の细田千寻准教授らの研究グループは、この问题を解决する実践的な戦略として「大规模データの固有ベクトルを小规模データに転用する」手法を提案?実証しました。

1,113名分の脳画像データ（Human Connectome Project）^（注³^）を用いた体系的実験の结果、たった100人のデータでも、500人规模データの固有ベクトルを利用するだけで、认知能力?性格特性の脳行动予测精度が大幅に向上することが明らかになりました。

本成果は、限られたリソースしか持たない多くの研究機関に対して、公開大規模データを基盤として活用するという新たな研究設計の指針を提供する可能性を示唆しました。本研究は5月25日に科学誌Scientific Reports（Nature Portfolio）に掲載されました。

図1. 新手法の模式図。大規模データから抽出した統計的に安定した成分を、統計的に不安定な小規模データに適用することによって、小規模データの解析の統計的安定性を高めることができる。

【用语解説】

注1. 主成分分析（PCA）高次元データの次元を削減し、データの分散を最大化する方向（主成分）を求める統計手法。脳画像では16万4千次元のデータを圧縮するために用いる。次元の削減とは、たくさんの情報を、特徴を失わないように少数の指標にまとめること。

注2. 主成分ベクトル（固有ベクトル） PCAで算出される「主成分の方向」を定義するベクトル。大規模データから算出したものは安定しており、他のデータへの転用が可能。

注3. HCP（Human Connectome Project）ワシントン大学等が主導する脳神経回路地図作成プロジェクト。22?35歳の健常成人1,206名の高解像度脳画像?行動データを無償公開。

【论文情报】

タイトル：Large-sample PCA eigenvectors stabilize cortical thickness components and improve small sample brain behavior prediction
著者：Zhang Yun Feng, Kenchi Hosokawa, Chihiro Hosoda
*責任著者：东北大学大学院情报科学研究科?加齢医学研究所　准教授　細田千尋（ほそだちひろ）
掲載誌：Scientific Reports
顿翱滨：

详细（プレスリリース本文）