構造類似性ネットワークは、大脳皮質領域間における構造的特性の類似性を定量化し、皮質構築の組織化を巨視的に捉える視点を提供する。Morphometric inverse divergence（MIND）は、ボクセルまたは頂点解像度で局所的に測定された複数のMRI特徴量または形態計測変数の領域別分布間におけるカルバック・ライブラー（KL）ダイバージェンスに基づく、皮質領域間の多変量類似性指標である。MINDは技術的頑健性と生物学的妥当性が実証されており、臨床および発達ネットワーク神経科学において、皮質間類似性の指標として広く用いられるようになっている。本研究では、KLダイバージェンスとMINDに関する詳細な方法論的背景を提示し、潜在的なバイアス源、MIND処理パイプライン設計における重要な判断点、ならびにMINDを皮質類似性指標として用いる際の技術的リスクを軽減するための推奨事項を明らかにする。シミュレーションデータと、成人（UK Biobank、T1強調画像および拡散画像500例）および新生児（Developing Human Connectome Project、T2強調画像752例）の観察MRIデータセットを用い、MINDに実装されたKLダイバージェンス推定量が、入力MRI特徴マップの5つの性質、すなわち、（i）平滑性、（ii）同一値の割合、（iii）ネイティブ空間または共通空間での解析および頂点メッシュ解像度の選択、（iv）パーセレーションの選択、（v）入力特徴量間の共分散によって影響を受け、またはバイアスを生じ得ることを示す。利用可能なMRIデータの制約と可能性に最も適したMIND処理パイプラインを設計・実装しようとする研究者に対し、原理的かつ実践的な指針を提示する。これらの推奨事項では、頂点マップの平滑化のように使用を控えるべき処理、パーセレーションの選択や頂点メッシュのリサンプリングのように十分な知識に基づく注意を要する処理、さらに、多変量MRI特徴量の前処理に主成分分析を用いる方法のように、MINDをより頑健に推定するため新たに導入可能な処理を示す。構造MRI類似性ネットワーク解析のさらなる発展と、頑健なMIND手法の普及を支援するため、本論文の結果生成に使用したコードもオープンリソースとして公開する。
https://doi.org/10.64898/2026.08.28.747811