技術的概要：GeoSAE

1. 問題定義

自己教師あり学習により数万枚の画像で事前学習された脳 MRI ファウンデーションモデル（FM）は、解釈が困難な高次元で絡み合った表現を生成する。アルツハイマー病（AD）研究において、この不透明性は特に問題である。なぜなら、加齢は主要なリスク因子であると同時に、広範な交絡因子でもあるからである。AD の進行を予測しているように見える特徴は、単に正常な加齢、併存疾患（例：心血管疾患、糖尿病）、またはスキャナーのアーチファクトを反映しているに過ぎない可能性がある。

既存の解釈手法は特定の限界に直面している：

• 事後帰属（例：GradCAM、Integrated Gradients）： 空間的なサリエンシーマップを生成するが、内部表現を離散的で名付け可能な概念に分解することはできない。
• 線形プロービングと概念活性化ベクトル（TCAVs）： 潜在空間を単一のベクトルとして扱い、どの特定の次元がどの情報を符号化しているかを識別できない。
• 解離手法： 訓練中に事前定義されたラベルとアーキテクチャの変更を必要とするため、凍結された自己教師あり FM には適用できない。

さらに、標準的なスパースオートエンコーダー（SAE）を神経画像 FM の深層トランスフォーマー層に適用すると、3 つの特定の課題が生じる：

1. 特徴の死滅： 標準的な SAE は、幾何学的な事前知識が正則化を導かないため、深層において severe な特徴の崩壊（feature collapse）に陥り、辞書要素の 98% 以上を失う。
2. 加齢による交絡： 生の特徴と結果の相関は、神経変性を正常な加齢と混同する。
3. 併存疾患による交絡： 特徴は、併存疾患に関連する共有リスク因子から疾患固有のシグナルを解離させなければならない。

2. 手法：GeoSAE

著者は、ベースモデルを変更することなく、凍結された脳 MRI FM から解釈可能で加齢の影響を除去した特徴を抽出するために設計された 3 段階のフレームワークであるGeoSAE（幾何学導出スパースオートエンコーダー）を提案する。

ステージ 1：幾何学的事前知識の分析

SAE の訓練前に、フレームワークは各トランスフォーマー層における FM の学習された多様体の幾何学を分析する。

• 活性化の選択： 分析は、幾何学的性質（例：角対称的対対称的クラス構造、次元均質性）を評価し、最適な SAE 活性化関数を選択する。BrainIAC モデルの場合、データの角優位な構造に最も合致したTopK活性化が選択された。
• 多様体グラフの構築： FM の埋め込み上に $k$-近傍（k-NN）グラフが構築される。FM によって類似とみなされるサンプル（表現空間における近傍）は、ガウスカーネル重みで接続される。このグラフは、後続の訓練段階のための幾何学的事前知識として機能する。

ステージ 2：多様体正則化付き SAE 訓練

GeoSAE は、特徴の死滅に対処するために、標準的な SAE 損失関数に多様体正則化項を導入する。

• 損失関数： 総損失は、標準的な再構成損失（$\mathcal{L}_{SAE}$）と、スパースゲート前の前活性化（$a$）に対する多様体平滑化ペナルティを組み合わせる：
  $$\mathcal{L} = \mathcal{L}_{SAE} + \lambda \sum_{(i,j) \in \mathcal{N}_k} w_{ij} \|a_i - a_j\|_2^2$$
• メカニズム： FM の多様体上の近傍であるサンプルに対して、異なる前活性化をペナルティすることにより、この正則化はスパースゲート（TopK）によってゼロにされたものを含む、すべての辞書要素に勾配シグナルを提供する。これにより、深層で一般的に見られる失敗モードである、特徴が少数のアクティブなセットへ崩壊することを防ぐ。

ステージ 3：加齢影響除去済み特徴の注釈

生存した特徴に臨床的意味を付与するために、GeoSAE は部分相関アプローチを採用する。

• 部分相関： 生相関の代わりに、各特徴 $j$ と臨床変数 $c$（診断、性別、APOE4、併存疾患）との間の部分スピアマン相関（$\rho_{jc \cdot a}$）を、年齢（$a$）を統制して計算する。これにより、年齢と共有される分散が除去される。
• カテゴリ割り当て： 特徴は、最も強い有意な部分相関に基づいて臨床カテゴリ（例：AD 関連、性別関連、遺伝的、併存疾患）に割り当てられる。有意な生年齢相関はあるが特定の臨床的関連性がない特徴は「加齢」とラベル付けされ、他のものは「非特異的」とされる。多重検出を制御するために階層的な偽発見率（FDR）補正が適用される。

3. 実験設定

• データセット： 訓練および主要評価はADNI（約 13.2 万枚の T1 強調スキャン）で行い、外部検証はAIBL（約 1.2 千枚のスキャン）で行う。
• ファウンデーションモデル： 8.5 万枚以上のスキャンで事前学習された 12 層のビジョントランスフォーマー（ViT）である BrainIAC。
• タスク：
  1. エンリッチメントテスト： 31 の二次臨床変数に対する特徴カテゴリの検証。
  2. 選択的予測： 特定の特徴部分集合に対するロジスティック回帰を用いた MCI から AD への転換の予測。
  3. コホート間複製： 再訓練なしに ADNI で訓練された SAE を AIBL に適用し、安定性をテストする。

4. 主要な結果

特徴分解と生存

• 特徴数： 最適な層（層 9）において、GeoSAE は161 の生存特徴を生成した。これは、多様体正則化なしで訓練された標準的な SAE（23 の生存特徴）の7 倍である。
• 層の傾向： 生存特徴は初期層でピークに達し、深さとともに統合された。臨床的特異性は深さとともに増加し、層 9 は AD 関連、性別関連、遺伝的特徴の最も高い集中度を示した。

予測性能

• MCI から AD への転換： 活性化頻度によって選択された上位 16 特徴のサブセットは、AUC 0.746を達成した。
  • これは、生 768 次元 FM 埋め込み（AUC 0.687）を上回った。
  • 教師あり 3D ResNet-18 ベースライン（AUC 0.729）および標準的な SAE（AUC 0.737）をも上回った。
  • 重要なのは、この性能が埋め込み次元のわずか2%（16 次元）のみを使用して達成されたことである。
• 特異性： 「AD 関連」と注釈された特徴が予測性能を主導した。「併存疾患」と注釈された特徴は偶然レベルの性能（AUC 約 0.507）しか達成せず、このフレームワークが併存疾患から疾患シグナルを正常に解離させたことを確認した。

複製と局在化

• コホート間安定性： 上位 16 特徴は、再訓練なしで ADNI と AIBL 間で複製され、活性化の一貫性においてr=0.97の相関を示した。これは標準的な SAE（r=0.74）に対して 32% の改善である。
• 解剖学的局在化： アテンションロールアウトマップは、特徴をBraak 病期と整合する神経解剖学的に明確な領域に局在化した：
  • 初期 Braak 病期：側頭葉内側（海馬、傍海馬回）。
  • 進行した病期：皮質下核および側頭頭頂ネットワーク。
• エンリッチメント： AD 関連特徴は、AD 薬物使用（例：メマンチン、ドネペジル）に対して有意にエンリッチされており、抽出された特徴の生物学的妥当性を検証した。

5. 貢献と意義

本論文は 3 つの主要な貢献を主張する：

1. GeoSAE フレームワーク： FM 表現の幾何学的分析を用いて活性化関数の選択を導き、深層における特徴の崩壊を防ぐために前活性化に多様体正則化を導入する新しい手法。
2. 交絡除去済み注釈パイプライン： 年齢の影響を除去した部分相関と階層的 FDR 補正を用いて特徴に臨床ラベルを割り当てる厳密な注釈戦略により、加齢、併存疾患、および疾患シグナルを効果的に分離する。
3. 実証的検証： 凍結された FM の単一層からの 16 の解釈可能な特徴のコンパクトな集合が、完全な表現よりも AD 転換を予測し、独立したコホート間で複製され、生物学的に妥当な脳領域に局在化し得ることを実証した。

意義：
著者は、GeoSAE が、ファウンデーションモデル表現に内在する幾何学的構造を活用して、ブラックボックス埋め込みから臨床的に透明で、メカニズム的に解釈可能な特徴を抽出できることを示していると主張する。このアプローチは、加齢と併存疾患の広範な交絡因子を統制しながら、神経画像における信頼性が高く解釈可能なバイオマーカーの重要な必要性に対応する。この研究は、単一の FM（BrainIAC）と単一のドメイン（AD）に控えめに範囲を限定しており、他のアーキテクチャや疾患への一般化にはさらなる調査が必要であると指摘している。