技術概要：MuCALD-SplitFed

問題定義

医療画像セグメンテーションは臨床ワークフローにおいて不可欠であるが、実用的な AI システムは分散環境において重大な障壁に直面している。病院やクリニックは、多様なモダリティ、プロトコル、人口統計を有する異質なデータで運用されており、プライバシーの制約により生データを共有することは稀である。連合学習（FL）および分割連合学習（SplitFed）は、データ共有なしで協調学習を可能にするが、標準的な実装はすべてのクライアントが同一のタスクを解決することを前提としている。この「非 IID」の仮定は、機関が異なるドメイン固有のタスクを扱うことが多い現実の臨床環境では非現実的である。

既存のマルチタスク FL および SplitFed 手法は、クライアントが異なる目的を処理できるようにすることでこの問題に対処しようとする。しかし、これらの手法は頻繁に以下の問題に悩まされる：

1. 収束の不安定性：集約時に異質なタスクからの勾配が衝突し、振動する更新を引き起こす。
2. 特徴の絡み合い：分割点における共有潜在表現がタスク固有の特徴を混合させ、タスク間干渉を引き起こす。
3. プライバシー脆弱性：分割点における潜在アクティベーションの送信は、再構成攻撃、メンバーシップ推論、属性推論を受けやすく、多様なタスク意味論によってこれらのリスクが増幅される。

現在の解決策はしばしば相関に基づく表現に依存しており、タスクに関連する構造と偽の相関を区別できず、分布シフト下での頑健性を制限している。

手法：MuCALD-SplitFed

著者らは、プライバシーを保護する医療画像セグメンテーション向けに設計されたマルチタスク SplitFed フレームワークであるMuCALD-SplitFedを提案する。このアーキテクチャは、標準的な SplitFed モデル（フロントエンド [FE]、サーバーサイド [SS]、バックエンド [BE] コンポーネントに分割）を、3 つの新しい段階を統合することで拡張する。

1. プロキシラベル構築と因果グラフ発見

明示的な因果ラベルを必要とせずに弱教師あり因果学習を促進するため、システムは各データセットからドメイン固有の形態的特徴および強度特徴を抽出し、「プロキシラベル」として機能させる。

• データセット：Blastocyst（胚）、FHPsAOPMSB（胎児頭部）、HAM10K（皮膚病変）、MosMed（肺 CT）、および Kvasir-SEG（ポリープ）。
• プロセス：Notears-MLPを使用して、システムはこれらのプロキシ特徴からデータセット固有の因果グラフを学習する。各データセットあたり最も強い因果関係 3 つが選択され、モデルを導く（例：「病変の大きさ $\to$ 非対称性」）。

2. 因果表現および拡散モジュール（CRDM）

このモジュールはクライアント側（FE）で動作し、サーバーへの送信前に堅牢でプライバシーを保護する潜在表現を生成する。

• 外因エンコーダ：FE 特徴マップ（$z_{fe}$）を低次元の外因変数（$u$）にマッピングする。
• ニューラル SCM：因果的な因子分解を学習し、因果的に構造化された潜在変数（$z_{causal}$）を生成する。
• 順方向拡散：送信されるアクティベーションを隠蔽するために、エンコーダ特徴（$z_{fe}$）に順方向拡散ステップを適用し、ノイズのある潜在変数（$z_{fe\_noisy}$）を作成する。
• 因果拡散デコーダ（LDDM-1）：ノイズのある潜在変数を因果潜在変数（$z_{causal}$）条件付きでノイズ除去し、$z_{denoised}$を生成する。
• 利点：このプロセスは、標準的な SplitFed アクティベーションよりも少ない再構成情報を露呈させ、再構成攻撃およびメンバーシップ推論攻撃を軽減する。

3. ドメイン敵対的因果アライメント（DACA）

サーバー側（SS）に位置するこのブロックは、タスク固有のバイアスを抑制するためにドメイン不変性を強制する。

• メカニズム：勾配反転層（GRL）と軽量なドメイン識別器を採用する。
• 学習目的：セグメンテーションネットワークは識別器を「欺こう」とし、ドメインに依存しない表現を生成する一方、識別器はドメイン固有の漏洩を罰する。これにより、タスク間汎化とプライバシーが向上する。

最適化

モデルは、以下の式 1 に示す複合損失関数を共同で最小化することで訓練される：

• セグメンテーション損失（$L_{seg}$）
• プロキシアライメント損失（$L_{proxy}$）
• 拡散正則化損失（$L_{diff}$）
• 外因および因果潜在変数に対する KL 発散項（$L_{KL}$）
• 敵対的ドメイン損失（$L_{adv}$）

各通信ラウンドの後、SS モデル、LDDM、エンコーダ、およびニューラル SCM が集約され、FE および BE モデルはパーソナライゼーションを維持するためにローカルに留まる。

主要な貢献

1. SplitFed における因果統合：異質な臨床環境におけるマルチタスクセグメンテーション向けに、SplitFed 潜在空間内に因果モデリングを統合した初の試み。
2. プライバシー強化アーキテクチャ：情報漏洩を削減するための、因果表現、潜在拡散、敵対的ノイズ除去の新奇な組み合わせ。
3. 特徴の分離：タスクに関連する因果因子をドメイン固有の情報から分離するメカニズムにより、セグメンテーション性能とプライバシーの両方を強化。
4. 包括的な評価：5 つの異質な医療データセットでの広範なテストを行い、ベースライン SplitFed、最先端（SoTA）のパーソナライズド FL、およびマルチタスク FL 手法と比較。

実験結果

このフレームワークは、Blastocyst、HAM10K、FHPsAOPMSB、MosMed、Kvasir-SEG の多様なデータセットを使用する 5 つのクライアント間で、24 回の通信ラウンドにわたって評価された。

• 収束の安定性：ベースライン SplitFed は一貫して収束せず、不安定な交差ユニオン（IoU）スコアを示した（例：UNet の最終平均 IoU N/B は 0.001）。これに対し、MuCALD-SplitFed は安定して収束し、UNet アーキテクチャで最終平均 IoU N/B 0.487を達成した。
• セグメンテーション性能：MuCALD-SplitFed は、ベースライン SplitFed および SoTA 手法（FedPer、FedRep、MOCHA など）を大幅に上回った。
  • Dice スコア：MuCALD-SplitFed は（クライアント平均）0.816を達成し、ベースライン SplitFed の 0.394 と比較した。
  • IoU N/B：MuCALD-SplitFed は0.579を達成し、ベースライン SplitFed の 0.045 と比較した。
• プライバシー指標：再構成品質指標（MSE、PSNR、SSIM）は、MuCALD-SplitFed の特徴マップがはるかに隠蔽されていることを示した。例えば、再構成攻撃の平均 PSNR は大幅に低下し（例：MS で約 35.7 対 BS で約 7.0）、再構成およびメンバーシップ推論攻撃を実質的に不可能にした。
• アブレーション研究：拡散コンポーネントを除去すると、性能低下が最も大きくなり、安定性と頑健性におけるその重要な役割が浮き彫りになった。CRDM と DACA の両方が相補的な利益を提供した。

意義と主張

本論文は、MuCALD-SplitFed を分散型医療 AI にとって必要な進化として位置づけ、標準的な FL の仮定と現実の臨床ワークフローの間の不一致に対処する。著者らは、相関に基づく表現から因果的潜在拡散へと移行することで、フレームワークが以下の点で成功したと主張する：

• マルチタスク環境における勾配衝突に起因する収束不安定性を解決する。
• 分割点通信に内在するプライバシーリスクを軽減する。
• 生データの共有を必要とせずに、異質なドメイン間での汎化を改善する。

この研究は、包括的なプライバシー保護マルチタスク SplitFed 学習への「最初のステップ」として提示されている。著者らは控えめに、今後の研究には、より強力な敵対モデルの評価、より大規模なクライアント集団へのスケーラビリティの評価、およびより広範な因果設定と適応的プライバシーメカニズムへのフレームワークの拡張が含まれると指摘している。