この論文は、出生から2歳までの乳児の脳機能を扱う研究における深層学習の最近の進展と課題をまとめた総説です。乳児期は脳の機能ネットワークが急速に変わる時期です。機能的磁気共鳴画像法（fMRI）は非侵襲的に脳全体を調べられますが、短い撮像時間や運動アーチファクト（動きによるノイズ）、撮像状態の違い、急速な成熟といった難しさがあります。著者らはこうした制約の中で、深層学習が個別化された理解と予測へと研究を移す可能性を示すと論じています。検索は2010年以降の文献を対象に、2026年7月21–22日に行われています。

レビューは主に安静時fMRIを対象とし、表現の作り方、集団と個人の脳地図化、経時的な発達軌道の予測、頑健性と解釈性の評価、そして生物学的解釈への応用という領域ごとに整理しています。具体的には、機能的結合行列（脳領域間の活動の関連を示す表）や潜在表現（データを圧縮して本質を表す低次元の値）、グラフ構造（脳を節点と辺で表す）などの入力表現が扱われます。手法としてはオートエンコーダー（データを圧縮・復元するモデル）、グラフニューラルネットワーク（脳のつながりを保ったまま処理する手法）、注意機構を使うTransformerなどが紹介されています。

深層学習が重要な理由は、短くノイズの多いデータから特徴を自動で学べる点にあります。従来の方法は集団平均や事前に決めた特徴に依存しがちで、個々の乳児の違いや非線形な発達パターンを見落としやすいという制約がありました。深層モデルは時空間情報を統合し、個人ごとの機能地図や将来の発達軌道、場合によっては臨床的リスクに関する指標を抽出する能力を高められるとされています。

重要な注意点も多く指摘されています。乳児fMRIデータは短時間で、動きや年齢差、撮影プロトコルや施設間の違いが大きく、これらがモデルの一般化（未知の被験者や条件でも通用するか）を難しくします。著者らはより大規模で多様な縦断データ（同一個体を時間を追って測るデータ）、乳児の発達に合わせたモデル設計、標準化された評価基準、そして計算的予測と生物学的メカニズムを結びつける作業が必要だと強調しています。従来手法は解釈の基準として依然重要だとも述べられています。

結論として、本レビューは深層学習が乳児の機能的発達を個別に理解し、早期の発達リスク評価につなげるための有望な道具であるとまとめます。ただし、現時点ではデータの限界や評価の不統一、解釈性の課題が残ります。今後はマルチモーダルなデータ統合、解釈可能なモデル設計、堅牢な検証が進むことで、臨床的に意味のある応用へと近づくと著者らは提案しています。