Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity

技術要約：前処理されたアウトカムに対する因果推論と、機能的結合への応用

問題提起
生物医学研究、特に神経画像（例：安静時fMRI）においては、被験者間の統計解析を行う前に、アーチファクト（例：動き、生理学的ノイズ）を除去するために、被験者内の繰り返し測定値を処理することが日常的に行われている。この被験者内処理によって生成される「派生アウトカム」は、観測不可能な科学的量（例：機能的結合）のプロキシとして機能する。これは広く実践されている手法であるが、この前処理が被験者間の因果推論に与える影響については、体系的に研究されてこなかった。既存の半パラメトリックな因果推論の枠組み（例：二重に頑健な推定法）は、アウトカムが直接観測されているか、あるいは派生アウトカムが推定誤差のみから生じることを前提としており、前処理ステップ自体によって導入される追加的な不確実性を無視している。また、標準的な手法は、硬直的な線形妨害回帰やボリューム・スクラビング（データ点の除去）に依存することが多く、これは動きの激しい被験者（行動上の問題と相関していることが多いグループ）を除外してしまうことで、選択バイアスを導入する可能性がある。柔軟でデータ駆動型の被験者内処理（機械学習を含む）を可能にしながら、被験者レベルでの妥当な因果推論を維持するための、原理に基づいた枠組みが欠如している。

手法
著者らは、被験者内処理に続く被験者間解析を含む階層的な設定における、因果推論のための半パラメトリックな枠組みを提案している。

1. 階層モデルと派生アウトカム：

   • 本フレームワークは、処置 $A$ が媒介変数 $M$（例：動きの特性）を通じて、直接的および間接的にアウトカム $Y$ に影響を与える媒介構造をモデル化する。
   • 真の被験者レベルのアウトカム $Y(a, m)$ は観測不可能である。代わりに、それは、生データ $X$ から妨害変数 $H$（例：動きパラメータ）を、被験者内処理関数 $f$ を用いて回帰した後に得られる残差の関数 $g$ として定義される。
   • 観測される「派生アウトカム」$\hat{Y}$ は、適合された関数 $\hat{f}$ および $\hat{g}$ を用いて構築される。本フレームワークは、$\hat{f}$ と $\hat{g}$ の推定によって導入されるバイアスを明示的に考慮している。

2. 識別と仮定：

   • 因果パラメータ（自然直接効果、自然間接効果、平均処置効果）の識別は、全被験者内測定値（$X, H$）に拡張された標準的な因果仮定（一貫性、正値性、条件付きランダム化、クロスワールド独立性）に依存する。
   • 主要な仮定は漸近的無偏性である。派生アウトカムは、被験者内のタイムポイント数 $T \to \infty$ において、真の潜在アウトカムに収束しなければならない。

3. 多重頑健推定：

   • 著者らは、多重頑健増強逆確率重み付け（Multiply Robust Augmented Inverse Probability Weighted: AIPW） 推定量を開発した。
   • 収束レート条件： 理論的な保証には、被験者内処理関数（$\hat{f}$）と被験者間妨害モデル（傾向スコア、アウトカム回帰）の両方の収束レートが必要である。
   • 積構造： アウトカムが残差の積（例：機能的結合における相関）として定義される場合、本フレームワークは、被験者内処理関数が $T^{-1/2}$ よりも遅いレート（具体的には $O(T^{-\alpha_0})$、ただし $n^{1/2}T^{-2\alpha_0} = o(1)$）で収束することを許容する。この緩和により、妨害回帰のための柔軟な機械学習アルゴリズムの使用が可能となる。
   • 多重の頑健性： 推定量は、以下の3つの妨害モデルのいずれかが正しく指定されている場合に一貫性を保持する：(i) 両方の傾向スコアモデル、(ii) アウトカム回帰と処置の傾向スコア、または (iii) アウトカム回帰と逐次回帰項。

4. 推論と多重テスト：

   • 推定量は漸近線形展開を許容するため、漸近正規性を有する。
   • 高次元推論（例：数千の脳結合のテスト）のために、著者らはガウス型マルチプライヤー・ブートストラップを組み合わせたステップダウン・プロシージャを採用している。これは、標準的な偽発見率（FDR）制御よりも強力なエラー制御を提供する、偽発見割合（FDP）の超過率を制御するものである。

5. 実装：

   • 本フレームワークは、被験者内妨害関数と被験者間モデルの両方を推定するために、スーパーラーナー（Super Learner） アンサンブル法を利用し、モデルの誤指定を最小限に抑える。
   • 経験過程項を扱い、ドンスカー条件を回避するために、クロスフィッティングが使用される。

主な貢献

• 理論的枠組み： 被験者内処理後の因果推論のための理論的枠組みを提供する初めての著作であり、被験者内ステージからの推定誤差が被験者間の因果推定へとどのように伝播するかを明示的にモデル化している。
• 多重頑健な推定法： 特定のレート条件が満たされる限り、妨害回帰（被験者内）と因果モデリング（被験者間）の両方において柔軟な機械学習を使用しても一貫性を保つ推定量を開発した。
• 緩和された収束レート： 積型のアウトカムに対しては、被験者内処理関数がパラメトリックな速度で収束する必要がないことを示し、アーチファクト除去のための複雑で非線形な機械学習モデルの使用を可能にした。
• 高次元推論： 派生アウトカムの文脈において、FDP超過率を制御するためのステップダウン・プロシージャを適用した。

結果

• シミュレーション： 変動するサンプルサイズ（$n=150, 300$）およびタイムポイント（$T=300, 600$）を用いたシミュレーションにおいて、提案された SL+AIPW 法（被験者内処理のためのスーパーラーナー ＋ 推論のためのAIPW）は以下を示した：
  • 低バイアス： 動きによる媒介をモデル化できていないために大幅なバイアスが生じていた標準的な線形回帰法と比較して、有意に低いバイアスを示した。
  • 妥当なType-Iエラー： 提案手法はType-Iエラー率を公称レベル（0.05）の近くに維持したが、媒介調整なしの線形手法は深刻なインフレ（最大〜0.85）を示した。
  • 検出力： 提案手法は合理的な統計的検出力（$n=300$ で0.8を超える）を達成し、劇的な検出力の低下を招いた媒介調整付き線形手法を上回った。
  • 動きの補正： スーパーラーナーのアプローチは、「スクラビング（データの除去）」を必要とせずに動きのアーチファクトを効果的に除去し、より多くのデータ点を保持し、選択バイアスを回避した。
• 応用（ASD rs-fMRI）： 自閉スペクトラム症（ASD）の子供128名のデータに適用し、刺激薬の効果が機能的結合に与える影響を推定した。
  • データの保持： 「36p + スクラビング」のアプローチでは、参加者の75%（32名のみ）が除外されたが、提案手法は128名全員を保持した。
  • 知見： 提案手法は、調整なしの線形モデルと比較して、偽の有意な関連をより少なく特定した。主要な分析において厳格な多重比較補正後に有意な効果は残らなかったものの、探索的な事後解析では、後部および前部デフォルトモードネットワーク間の結合に対する刺激薬の正常化効果を示唆する可能性があった。結果は、動きが観測された処置効果を減衰させる媒介因子として作用することを強調しており、媒介フレームワークの必要性を裏付けている。

意義と主張
本論文は、派生された被験者内データに基づく設定のための厳密な枠組みを提供することで、生物医学的因果推論における決定的なギャップを埋めるものであると主張している。著者らは、彼らのアプローチが以下の点において優れていることを強調している：

1. 適応学習の実現： 既存の二重に頑健な理論に欠けている能力である、因果推論の妥当性を損なうことなく、妨害回帰（例：fMRIデータのデノイジング）のための現代的な機械学習の使用をサポートする。
2. 選択バイアスの軽減： データのスクラビングや参加者の除外を回避することで、臨床的特性が系統的に異なることが多い、動きの激しい被験者を除外することに伴う選択バイアスを軽減する。
3. 頑健性の提供： 多重頑健な性質により、特定のレート条件が満たされる限り、一部の妨害モデルが誤指定されていても因果推定が妥当であることを保証する。

著者らは、本フレームワークは理論的に健全であり、シミュレーションおよび実世界への応用において良好なパフォーマンスを示したが、その妥当性は被験者内処理推定の一貫性に依存していると結論づけている。また、機能的結合における正定値相関行列のモデリングに関する限界を認め、依存構造のモデリングや、縦断的またはサブグループ特異的な分析へのフレームワークの拡張に関する今後の課題を示唆している。