CLARITY: 治療決定を支援するための文脈認識型疾患軌道シミュレーションを行う医療用ワールドモデル

本論文は、腫瘍学における臨床意思決定を支援するために、CLARITY（Context-Aware Latent Representation for Imagining Trajectories and Yielding Informed decisions）という新しい医療用ワールドモデルを提案したものです。従来の AI 医療システムが静的な予測に留まっているのに対し、CLARITY は治療条件付きの疾患の時間的進化をシミュレートし、反事実的（counterfactual）な「もしも」のシナリオを評価することで、最適な治療戦略の立案を可能にします。

以下に、論文の技術的概要を問題定義、手法、主要な貢献、結果、そして意義に分けて詳細にまとめます。

1. 問題定義 (Problem)

腫瘍学における臨床意思決定は、患者が特定の治療を受けた場合に疾患がどのように時間とともに変化するかを予測することを必要とします。しかし、既存の AI システムには以下の限界がありました。

• 静的な予測の限界: 従来のモデルは、ある時点での状態から単一の転帰（生存率など）を予測するだけであり、治療介入によって疾患軌道がどのように変化するかを動的にモデル化できません。
• 反事実的推論の欠如: 医師は「もしこの治療を行わなかったらどうなるか」「別の治療を選んだらどうなるか」といった、実際には行われていない治療（反事実）に対する疾患の進化を評価する必要がありますが、既存の生成モデルや大規模言語モデル（LLM）はこの構造化された時間的予測には不向きです。
• 画像生成への依存: 既存の医療用ワールドモデル（例：MeWM）は、未来の医療画像をピクセル空間で合成（拡散モデル等）することに焦点を当てており、治療条件付きの疾患ダイナミクスそのものを理解し、意思決定に直結させるには計算コストが高く、ノイズも多いため、臨床的な実用性に欠けていました。

2. 手法 (Methodology)

CLARITY は、**「シミュレーションから意思決定へ（Simulation-to-Decision）」**という閉ループフレームワークを採用しています。主な構成要素は以下の通りです。

2.1 主要コンポーネント

1. MRI エンコーダ（視覚状態の符号化）:
   • 事前学習済みの 3D ビジョン基盤モデル（例：MRI-CORE）を使用し、LoRA（Low-Rank Adaptation）で微調整を行います。
   • 治療前の MRI 画像から、疾患の潜在状態（Latent State, $z_{pre}$）を抽出します。画像そのものを生成するのではなく、疾患の生物学的な状態を潜在空間で表現します。
2. セラピーポリシーエージェント（Therapy Policy Agent）:
   • 多モーダル大規模言語モデル（MLLM、例：GPT-5）を使用。
   • 患者の臨床文脈（遺伝子、人口統計、既往歴）に基づき、複数の候補治療法（化学療法、放射線、免疫療法などの組み合わせ）を生成します。
   • 生成された治療案は、テキストエンコーダによって潜在空間に整合した埋め込みベクトル（$h_{drug}$）に変換されます。
3. アクターモジュール（疾患進化モデル）:
   • 潜在状態予測器: 治療前の潜在状態、臨床文脈、時間間隔、治療ベクトルを入力として受け取り、治療後の潜在状態（$\hat{z}_{post}$）を予測します。
   • 生存予測器: 治療前後の潜在状態の相互作用を双方向クロスアテンションでモデル化し、生存確率とリスクスコアを出力します。
   • 時間的・臨床的文脈の統合: 不規則なフォローアップ間隔を正弦波埋め込みで符号化し、患者固有の臨床情報を統合することで、個別的な軌道予測を可能にします。

2.2 逆生存評価（Inverse Survival Evaluation）

CLARITY の核心的な革新は、予測から意思決定へのフィードバックループです。

• 直接評価: 候補治療に対して生存リスクスコアを直接予測します。
• エントロピー正則化された長期計画: 単一の治療を選ぶのではなく、複数の治療ステップからなる「治療スケジュール（軌道）」をシミュレートします。
• 反復的改善: 生存リスクのフィードバックをエージェントに返し、リスクを最小化する治療案を反復的に探索・洗練させます（$K$ 回のイテレーション）。これにより、確率的な探索（エントロピー最大化）を保ちつつ、最適な治療戦略に収束させます。

2.3 学習目標

• 潜在一貫性損失: 予測された治療後状態と真のラベルとの一致を確保。
• ソフトラベル対照損失: 類似した治療メカニズムを持つ場合、潜在空間での遷移も近くなるように学習させ、臨床的な意味論的構造を保持します。
• 生存予測損失: Brier スコア（較正）と Cox 部分尤度（リスク順序付け）を組み合わせ、生存予測の精度と信頼性を向上させます。

3. 主要な貢献 (Key Contributions)

1. 治療条件付き疾患モデリング: 画像合成ではなく、潜在空間における連続的な生理学的遷移をモデル化することで、生物学的整合性を保ちつつ、反事実的な治療評価を可能にしました。
2. 時間的・臨床的文脈の明示的統合: 不規則な時間間隔と多モーダルな患者データ（ゲノム、 demographics 等）を潜在遷移に条件付けることで、現実の臨床データに即した個別化予測を実現しました。
3. 予測から意思決定への統合（逆生存評価）: 単なる予測モデルではなく、シミュレーションされた軌道に基づいて治療戦略を反復的に最適化する「閉ループ」フレームワークを提案しました。

4. 実験結果 (Results)

CLARITY は、脳腫瘍（MU-Glioma-Post, UCSF-ALPTDG）と乳がん（ISPY-2）の 3 つのデータセットで評価されました。

• 治療探索の精度:
  • MU-Glioma-Post データセットにおいて、F1 スコア 57.1% を達成し、最上位の医療特化ベースライン（Huatuo-Vision: 46.4%）や再実装した拡散モデルベースライン（MeWM*: 43.6%）を大幅に上回りました。
  • UCSF-ALPTDG におけるゼロショット評価でも、他モデルを凌駕する性能を示しました。
• 生存分析:
  • C-index（生存予測の識別能力）で 0.794 を記録し、DeepSurv や RSF などの従来の生存分析モデル、および拡散モデルベースラインを大きく上回りました。
  • カプラン - マイヤー曲線において、高リスク群と低リスク群の分離が明確で、統計的有意性（log-rank p-value = 0.0017）が確認されました。
• 計算効率:
  • 従来の拡散モデル（ピクセル空間での生成）に比べ、計算コストが約 9〜15 倍 削減されました（FLOPs: 61.3T $\to$ 4.21T）。
  • 推論時間が 38.6 秒から 0.341 秒 に短縮され、多反復の最適化プロセス（Inverse Survival Evaluation）を現実的な時間で実行可能にしました。
  • 潜在空間での直接予測により、画像生成・再符号化に伴う表現のドリフト（Drift）が大幅に減少しました。

5. 意義と結論 (Significance)

CLARITY は、医療 AI のパラダイムシフトを示す重要な成果です。

• 臨床意思決定の支援: 医師が「どの治療を選ぶべきか」を判断する際、単なる統計的なリスク予測ではなく、個々の患者の疾患軌道が治療によってどう変化するかをシミュレートし、比較検討できるツールを提供します。
• 計算的実現可能性: 高コストな画像生成モデルに依存せず、効率的な潜在空間モデルと LLM を組み合わせることで、臨床現場での実用的な意思決定支援システムの構築を可能にしました。
• 一般化能力: 脳腫瘍だけでなく乳がんデータセットでも高性能を発揮しており、異なる癌種間での汎用性が高いことを示しています。

総じて、CLARITY は「予測」から「計画（Planning）」へと AI の役割を進化させ、がん治療におけるパーソナライズド・メディシンと意思決定支援の新たな基準を確立しました。