この論文は、安静時の脳波（EEG）から統合失調症の「解釈可能な」バイオマーカーを見つけ、患者と健常者を区別するための新しい枠組みを示します。研究者らは波レット散乱変換（Wavelet Scattering Transform, WST）という数理的に定式化された方法を使い、被験者を丸ごと一人ずつ除く「Leave‑One‑Subject‑Out（LOSO）」という厳格な評価を行いました。これにより時系列データの漏れ（同一被験者の異なる断片を訓練と検証に重複して使うといった問題）による過大評価を避けています。提案手法でランダムフォレストは被験者独立評価で90.48％の精度、AUC=0.9339、感度95.56％を報告しました。シャプリー値に基づく説明手法（SHAP）も使い、個々の判定を特徴量に結びつけて解釈性を高めています。

研究で使ったデータと手順は次の通りです。公開Kaggleデータセットの思春期の84名分を用い、45名が統合失調症、39名が健常対照です。16チャネルの国際10–20電極配置で128Hzのサンプリングでした。前処理として50Hzのノッチフィルタと0.5–45Hzのバンドパスを入れ、2秒長の重なりあるエポックに区切ってノイズ基準で試料を正規化して除外しています。WSTは階層的に三種類の係数を出します。ゼロ次（S0）は局所的なゆっくりした基線を表し、一次（S1）は各周波数帯のエネルギーを示し、二次（S2）は「振幅変調」と「クロス周波数結合」を捉えます。S2は速いリズムが遅いリズムにどう駆動されるかを定量化します。論文では時間窓パラメータJ=7（約1秒）と周波数分解能Q=(8,1)を用いています。

特徴抽出後は、被験者レベルの分散分析（ANOVA）を行い、Benjamini–Hochberg法で偽発見率を補正して有意なバイオマーカーを選びました。分類はランダムフォレストとサポートベクターマシン（SVM）で評価し、各被験者のエポックごとの判定を多数決して被験者単位の結果にまとめています。説明可能性の解析ではSHAPを用い、モデルの判断を各散乱係数、電極位置、周波数帯に結びつけました。その結果、二次散乱係数（S2）が判別に最も寄与し、とくにガンマ帯（高周波）に関連する特徴が多く見つかりました。単一電極ではP3が最も識別力が高い部位として報告されています。

なぜ重要か。従来の多くの自動判別法は静的なパワースペクトル（周波数ごとの平均エネルギー）に頼りがちで、信号の振幅が時間的にどのように変わるか（振幅変調）や異なる周波数同士の相互作用（クロス周波数結合）を見落とします。これらは統合失調症の病態生理で重要と考えられており、WSTはこうした時間‑周波数内の変調構造を一つの数学的枠組みで安定して捉えられる点が利点です。さらにLOSO評価やSHAPによる個別説明を組み合わせることで、臨床で使う際に求められる「被験者横断的な汎化性」と「結果の解釈可能性」に対応する試みになっています。

重要な注意点もあります。本研究は公開データ84名に基づく解析です。被験者数や年齢層（思春期）や電極数（16チャネル）といったデータの性質は結果の一般化に影響します。論文は被験者独立の厳格な評価で過大評価の問題を減らしていますが、他のデータセットや臨床集団で再現される必要があります。また、前処理やWSTのパラメータ設定が結果に影響する可能性があります。著者は将来的に亜型検出への応用を示唆していますが、これは今の結果を追加検証して拡張することが前提です。