IGC-Net: 時系列における条件付き平均潜在結果（CAPO）推定のための反復 G 計算ネットワーク

本論文は、ICLR 2026 にて発表された「IGC-Net for Conditional Average Potential Outcome Estimation Over Time」に関する技術的サマリーです。医療分野における電子カルテ（EHR）やウェアラブルデバイスから得られる時系列データを用いた、個別化医療（パーソナライズド・メディシン）のための因果推論手法を提案しています。

1. 背景と課題 (Problem)

医療における意思決定の個別化には、観測データから「時間経過に伴う治療の条件付き平均潜在結果（CAPO: Conditional Average Potential Outcome）」を推定することが不可欠です。しかし、このタスクには以下の重大な課題が存在します。

• 時間変動交絡（Time-varying Confounding）の難しさ: 将来の交絡因子（共変量や結果）は、将来の治療や結果に依存するため、推論時には観測できません（ランタイム交絡）。これを適切に調整しないと、推定値にバイアスが生じます。
• 既存手法の限界:
  • CRN, CT, TE-CDE などの手法: 時間変動交絡に対する適切な調整を行っておらず、無限サンプルでもバイアス（無限データバイアス）が残るため、医療応用には不適切です。
  • RMSNs (Recurrent Marginal Structural Networks): 逆傾向スコア重み付け（IPW）を使用しますが、時間変動設定では逆傾向スコアの積を計算する必要があり、スコアが 0 に近い値で割ることで分散が爆発し、不安定になります。
  • G-Net, G-transformer: G 計算（G-computation）を使用していますが、将来のすべての時間ステップにおける高次元の交絡因子の全分布（すべてのモーメント）をモンテカルロサンプリングを通じて推定する必要があります。これは計算効率が悪く、次元の呪いに陥りやすいため、実用的な性能が低下します。

2. 提案手法：IGC-Net (Methodology)

著者らは、これらの課題を解決するために、**反復 G 計算ネットワーク（Iterative G-computation Network: IGC-Net）**を提案しました。これは、G 計算の原理をニューラルネットワークの端到端（end-to-end）学習アルゴリズムに統合した、世界初の回帰ベースのモデルです。

2.1 核心的なアイデア

IGC-Net は、G 計算の式を再帰的な条件付き期待値として再構成し、確率分布の推定やモンテカルロサンプリングを不要にします。代わりに、擬似結果（Pseudo-outcomes）を用いた反復回帰を行います。

• 擬似結果の定義:
  最終的な結果 $Y_{t+\tau}$ から逆方向に、各時間ステップ $t+\delta$ における「将来の結果の期待値」を擬似結果 $G^{\bar{a}}_{t+\delta}$ として定義します。
  $$G^{\bar{a}}_{t+\tau} = Y_{t+\tau}$$
  $$G^{\bar{a}}_{t+\delta} = E[G^{\bar{a}}_{t+\delta+1} \mid \bar{H}_{t+\delta}, A_{t+\delta}]$$
  ここで、$\bar{H}$ は履歴、$A$ は治療です。

• 学習プロセス（2 ステップの反復）:

  1. 生成ステップ (Generation Step): 現在のモデルパラメータを用いて、観測されていない中間の擬似結果 $\tilde{G}^{\bar{a}}_{t+\delta}$ を生成します。
  2. 学習ステップ (Learning Step): 生成された擬似結果と、観測された最終結果 $Y_{t+\tau}$ をターゲットとして、履歴から次のステップの期待値を予測する回帰モデル（G-computation ヘッド）を学習します。

  このプロセスは、最終ステップ（真の観測値）から逆方向に、より正確な予測が得られるようにパラメータを漸進的に最適化します。

2.2 アーキテクチャ

• ニューラルバックボーン: 患者の履歴（結果、共変量、治療）をエンコードするために、マルチ入力トランスフォーマ（または LSTM）を使用します。異なる種類の入力（例：バイタルサイン、治療履歴）を専門的に処理するサブトランスフォーマで構成されています。
• G 計算ヘッド: エンコードされた履歴を受け取り、各時間ステップにおける擬似結果の期待値を出力する回帰ヘッド群です。これらが反復的に G 計算を実行します。

2.3 理論的保証

• Proposition 1 & 2: 提案手法が G 計算の式を正確に実現し、時間変動交絡に対する適切な調整を行うことを証明しています。
• Proposition 3: 逆傾向スコア重み付け（IPW）に基づく擬似結果は、IGC-Net が用いる回帰ベースの擬似結果よりも分散が大きいことを示しています。これにより、IGC-Net がより安定した推定を提供することが理論的に裏付けられています。

3. 実験結果 (Results)

合成データ、半合成データ（MIMIC-III ベース）、および実世界データ（MIMIC-III ICU）を用いて、既存の主要な手法（CRN, CT, TE-CDE, RMSNs, G-Net, G-transformer）と比較評価を行いました。

• 合成データ（腫瘍成長モデル）:

  • 交絡の強さ（$\gamma$）を増加させた場合、IGC-Net はすべてのベースラインを大幅に上回る性能（RMSE 低下）を示しました。
  • 特に、交絡が強い状況において、既存の手法（CRN, CT など）はバイアスにより性能が劣化しましたが、IGC-Net はロバストでした。
  • 重なり（Overlap）の違反や、観測されない交絡が存在する状況でも、IGC-Net は高い安定性を維持しました。

• 半合成データ（MIMIC-III 抽出）:

  • 高次元の共変量（25 種類のバイタルサイン）と、長い予測ウィンドウ（$\tau=2$ から $6$）の条件下で評価。
  • G-Net や G-transformer は次元の呪いにより性能が低下しましたが、IGC-Net はサンプルサイズや予測ウィンドウに関わらず一貫して最高性能を記録しました（最良のベースラインに対し最大 26.7% の改善）。

• 実世界データ（MIMIC-III ICU）:

  • 事実上の結果予測（Factual Outcome Prediction）タスクにおいて、IGC-Net は CT や CRN と同等かそれ以上の性能を発揮し、実臨床データへの適用可能性を示しました。

• アブレーション研究:

  • 正しい調整を行わないバイアス付きトランスフォーマは性能が劣化し、IGC-Net の反復学習アルゴリズムの重要性が確認されました。
  • LSTM をバックボーンに使用したアブレーション版（IGC-LSTM）もベースラインを上回る性能を示し、手法の汎用性が確認されました。

4. 主な貢献と意義 (Contributions & Significance)

1. 時間変動交絡への最初のニューラル回帰アプローチ:
   G-Net や G-transformer が直面する「高次元分布の推定」と「モンテカルロサンプリングの非効率性」を回避し、回帰ベースの反復アルゴリズムで G 計算を効率的に実装しました。
2. 安定性とロバスト性の向上:
   IPW に依存しないため、傾向スコアが 0 に近い場合の分散爆発の問題を回避し、長期予測や重なりが低い状況でも安定した推定が可能です。
3. 医療への応用可能性:
   電子カルテからの時系列データを用いて、個別化された治療計画の効果を正確に推定できることを実証しました。これは、パーソナライズド・メディシンにおける因果推論の実用化に向けた重要な一歩です。
4. エンドツーエンドの学習:
   表現学習と擬似結果の生成・学習を単一のニューラルネットワーク内で統合し、効率的な最適化を実現しました。

結論

IGC-Net は、時間変動交絡を適切に調整しつつ、計算効率と推定の安定性を両立させた画期的なニューラル因果推論手法です。既存の手法が抱えるバイアスや分散の問題を解決し、複雑な医療時系列データにおける個別化治療効果の推定において、新しい標準（State-of-the-Art）を提供するものです。