脳画像解析の分野で、人口統計学的要因による偏りを除去する新しいフレームワーク「Artemis」が提案されました。このフレームワークは、fMRIから得られる機能的結合性とDTIから得られる構造的結合性を統合した多モーダル神経画像解析において、グラフニューラルネットワーク（GNN）を用いて脳ネットワークの非侵襲的な分析を実現しています。 従来の脳画像解析では、年齢や性別といった人口統計学的要因が脳の結合性と臨床的転帰の関係を体系的に混在させ、GNNが因果関係を持つ本質的な表現を学習するのではなく、虚偽の近道を利用する問題がありました。既存の因果GNN手法はグラフモデリング段階で因果性を導入していますが、臨床神経画像データに内在する実世界の交絡因子に対応していないという限界がありました。 Artemisの革新的な点は、脳領域ごとに異なる人口統計学的要因への感度を考慮した領域認識型のアプローチを採用している点です。このフレームワークは、各脳領域で独立して因果介入を実施し、軽量のパラメータを用いて領域固有の交絡因子表現を学習します。多モーダルの機能的・構造的特徴を統合した調整は、任意のGNNバックボーンと互換性のあるプラグインモジュールとして機能します。 ADNI（認知症診断）、OASIS（認知症ステージング）、HCP（性別分類）という3つのベンチマークデータセットでの実験により、従来のGNNベースの手法に対して一貫した改善が示されました。統計的有意性と神経科学的解釈可能性を支持する複数の追加実験により、提案手法の有効性が実証されています。