技術要約：疾患予測のための知識グラフ拡張型大規模言語モデル

問題提起

電子健康記録（EHR）には臨床予測に適した縦断的データが含まれているが、既存のモデルは、臨床医にとって実行可能な患者レベルの推論を提供できないことが多い。古典的なモデル（例：ロジスティック回帰、決定木アンサンブル）は、堅牢性とグローバルな解釈可能性を提供するが、通常は、特定の臨床決定に必要なステップ・バイ・ステップの物語（ナラティブ）を欠いた、粗い事後的な説明（例：特徴量の重要度スコア）しか提供できない。対照的に、大規模言語モデル（LLM）は思考の連鎖（Chain-of-Thought: CoT）のナラティブを生成できる一方で、その医学への無制限な適用は、高品質で臨床的に検証された推論データセットの不足と、中間ステップにおける幻覚（ハルシネーション）や医学的な誤りのリスクによって阻害されている。核心となる課題は、LLMが生物医学的知識に事実に基づき、かつ患者の履歴と時間的に一貫した説明を生成しながら、受診レベルの正確な疾患予測を実行できるようにすることである。

手法

著者らは、PrimeKGという大規模な生物医学知識グラフの構造を用いてLLMの推論を足場固めするよう設計された、知識グラフ（KG）誘導型CoTフレームワークを提案する。パイプラインは主に4つの段階で構成される：

1. KGエンティティ・マッピング:

   • MIMIC-IIIのICD-9コードを、以下の3段階の手順でPrimeKGのノードに整列させる：
     • 完全一致（Exact Match）: ICD-9の記述とKGノードラベル間の直接的な文字列照合。
     • 類似性一致（Similarity Match）: 非完全一致の場合の、埋め込みベースの検索（コサイン類似度 > 0.85）。
     • LLMによるフィルタリング: GPT-4oが暫定的なマッピングを検証または修正し、臨床的な正確性を確保する。
   • このプロセスにより、1,513個のマッピングされた特徴量ノードと10個のマッピングされた疾患ノードが得られる。

2. KGの関連性とパスのマイニング:

   • 各ターゲット疾患に対し、システムはGPT-4oを用いて、コンパクトな関連特徴量ノードの集合（$R_d$）を特定する。
   • 推論パス（Reasoning Paths）: PrimeKG内における、関連特徴量ノードとターゲット疾患ノード間の最短パス（ホップ数 $L=5$ 以下に限定）を抽出する。
   • パス選択: GPT-4oがこれらのパスをフィルタリングし、臨床的に関連があり、メカニズムとして妥当なもののみを保持することで、不適切な連鎖を排除する。

3. CoT生成とフィルタリング:

   • LLMに対し、観察されたICD-9特徴量、疾患固有の関連性セット、およびマイニングされたKGパスを組み込んだ、特定の受診 $t$ に対するCoT説明（$C_{t,d}$）を生成するようにプロンプトを出す。
   • ラベル整合性フィルタリング（Label-Consistency Filtering）: 生成されたCoTトレースは、推論から導き出された明示的な二値結論（$\hat{y}$）が正解（グラウンドトゥルース）の結果（$y$）と一致する場合にのみ保持される。これにより、高品質でKGに裏付けられた教師用コーパスが作成される。

4. モデルの微調整（Fine-Tuning）:

   • 軽量なオープンウェイトモデル（LLaMA-3.1-Instruct-8BおよびGemma-7B）を、この精選されたコーパスを用いて微調整する。
   • 推論時、これらのモデルはICD-9特徴量と疾患固有のKGエビデンスを入力として受け取り、疾患予測と臨床医スタイルの推論トレースの両方を出力する。

主な貢献

• KG誘導型CoTフレームワーク: 制約のない自由形式の説明を超え、臨床的に根拠のある推論を実現するために、生物医学KGの構造をCoT生成プロセスに直接統合する新しい手法。
• データ効率の高い教師あり学習: ラベル整合性フィルタリングを介したコンパクトで高品質な教師用コーパスの構築により、小規模なLLM（8Bパラメータ）が限られたデータ（400〜1,000サンプル）で予後推論を学習することを可能にした。
• ゼロショット転移: 本フレームワークは、再学習なしに異なるコホート（CRADLE）へ学習された推論パターンを転移させる能力を示し、糖尿病診断後の心血管イベント予測において高い精度を維持した。
• 臨床医中心の評価: ブラインドテストによる人間による評価により、KG誘導型の説明が、明快さ、関連性、臨床的正当性の全項目においてベースラインよりも好まれることが検証された。

実験結果

フレームワークは、MIMIC-IIIコホート（PrimeKGにマッピングされた10の疾患）およびCRADLEコホート（2型糖尿病から心血管イベントまで）で評価された。

• MIMIC-IIIにおける性能:

  • 低データ設定（インデックス受診数400および1,000）において、KG誘導型CoTの微調整はLLaMA-3.1-8BおよびGemma-7Bの性能を向上させ、強力な古典的ベースライン（XGBoost、ランダムフォレスト、ロジスティック回帰）と同等またはそれ以上の結果を達成した。
  • LLaMA-3.1 (1,000サンプル): AUROC 0.6995、マクロAUPR 0.4685を達成し、最良の古典的ベースライン（ロジスティック回帰：AUROC 0.6874、AUPR 0.4178；XGBoost：AUROC 0.6799）をわずかに上回った。
  • Gemma-7B: 同様の改善を示し、マクロAUPRは0.25（オリジナル）から0.4363（KG-CoT微調整後）へと増加したが、AUROC（0.6609）はトップクラスの古典的ベースラインをわずかに下回った。
  • アブレーション解析: KGによる誘導またはフィルタリングを除去すると性能が低下したことから、構造的な根拠付けとラベル整合性フィルタリングの両方が極めて重要であることが確認された。

• CRADLEへのゼロショット転移:

  • MIMIC-IIIで微調整されたモデルを、再学習なしでCRADLEに適用した。
  • 精度は、未調整時の0.40–0.51から、KG-CoT微調整後の0.72–0.77へと向上した。
  • AUROCおよびAUPRの改善は緩やかであったが、精度の顕著な上昇は、モデルがデータセット固有のアーティファクトではなく、より堅牢な決定境界を学習していることを示唆している。

• 人間による評価:

  • 115症例を用いたブラインドテストにおいて、臨床医は、明快さ／一貫性において96.5%、範囲／関連性において94.8%、正当性／妥当性において**98.3%**の割合で、未調整のベースラインよりもKG誘導型モデルを好んだ。
  • 臨床医は、KG誘導型のトレースが時間的に整理されており、意味のあるリスク要因を強調し、根拠のない飛躍を避けていると指摘した。

意義と主張

本論文は、KGにアンカーされたCoT教師あり学習によって、小規模なオープンウェイトLLMがデータ効率が高く、臨床的に根拠のある予後推論を学習できることを主張している。その意義は、予測の正確さと解釈可能な正当化の間の溝を埋めることにある：

1. 信頼性: 推論をPrimeKGに根ざさせ、ラベル整合性でフィルタリングすることにより、システムは幻覚を軽減し、医学的な妥当性を確保する。
2. 汎用性: 学習された推論パターンは、アウトオブディストリビューションのコホート（CRADLE）へ効果的に転移し、モデルがデータセット固有の特性ではなく、基礎となる疾患メカニズムを捉えていることを示唆している。
3. 臨床的有用性: フレームワークは、臨床医がより明確で信頼できると感じる説明を生成し、透明性が極めて重要となる臨床意思決定支援システムへのLLMの導入を促進する可能性がある。

著者らは、本手法がPrimeKGの網羅性に依存していることを控えめに注記しており、今後の研究では、より豊かなEHRのビュー（ノート、検査値）や多時点のコンテキストを探索すべきであるとしている。