拡散MRI（dMRI）を用いた脳構造コネクトーム解析において、異なる施設・スキャナー・プロトコルによる取得条件の違いは大きな課題となっている。これらの取得条件の違いから生じる変動性は、生物学的な変動性と混在してしまい、分析の精度を低下させる。本研究は、高次元のコネクトームデータを低次元空間に表現しながら、取得関連の効果と生物学的変動を明確に分離できるディープラーニングモデルの開発に取り組んでいる。 従来の次元削減手法は全ての分散を連続変数として扱うため、取得条件による効果が連続潜在空間に吸収されてしまう傾向にある。そこで近年、離散成分と連続成分を組み合わせたハイブリッド潜在空間モデルが提案されているが、これらは通常、離散成分が意図した変動を確実に捉えるための手動での容量調整が必要とされていた。本研究では、エンコーダー出力に対する建築学的なアニーリングをデコード前に適用することで、この手動調整を不要にする教師なしフレームワークを提案した。これにより、モデルが訓練過程で離散・連続潜在変数のバランスを自動的に調整できるようになる。 評価には、生後2歳から102歳までの対象者を含む13の研究から得られた7,416個の構造コネクトームデータセットを構築した。このデータセットには25種類の異なる取得パラメータ組み合わせが含まれており、認知機能が正常な5,900件、軽度認知機能障害（MCI）877件、アルツハイマー病（AD）639件が含まれている。標準的なVAE、PCAとk-meansクラスタリング、損失関数を通じたアニーリングのみを行うハイブリッドモデルと比較した結果、本研究の建築学的アニーリングはこれらのベースラインより強いサイト学習性能（ARI=0.53、p<0.05）を示した。建築学的アニーリングと損失ベースのアニーリングの比較から、ハイブリッド連続・離散潜在空間が、平滑構造とカテゴリカル構造を共同でモデル化することで、dMRIにおける取得変動性を捉えるための有用な教師なし機構となることが実証された。