Event Fields: Learning Latent Event Structure for Waveform Foundation Models

技術的概要：波形基盤モデルのためのイベントフィールド

問題提起
現在の生理的波形（例：心電図、光電容積脈波、筋電図）を対象とした医療基盤モデルは、主にシーケンスベースのパラダイムに従っている。これらのモデルは、信号をローカルなトークンやパッチの集合として扱い、言語や視覚の事前学習に着想を得たマスク再構成や対照的目的関数に依存している。著者らは、このアプローチが生理学的推論の本質と根本的に整合していないと主張する。臨床的解釈は、生振幅や短時間窓のレベルで動作することは稀であり、代わりに、拍動、サイクル、バースト、および動的レジーム間の遷移といった高レベルの抽象化に依存している。標準的なシーケンスモデルは、予測構造がローカルなセグメントに符号化されていると暗黙的に仮定しており、しばしば意味のある変動をノイズ信号の揺らぎと混同してしまう。その結果、これらのモデルは、孤立した事象ではなく潜在的なプロセスに由来する、時間的に拡張され、相互作用し、関係性を持つ生理学的イベントの本質を捉えることに苦慮している。

手法
本論文は、スペクトル - 時間的イベントフィールド定式化に基づいた新たな波形基盤モデルのクラスを提案する。著者らは、波形 $x(t)$ を直接モデル化するのではなく、生理的信号が時間と周波数の中で進化する潜在的なイベントフィールドの連続的な重ね合わせによって生成されると仮定している。

• 潜在的生成モデル: 信号は $x(t) = \int_{\Omega} \int_{0}^{T} \phi(z, \tau) g_{\theta}(t - \tau, z) d\tau dz$ として表現される。ここで、$z$ は潜在的イベント空間（リズムクラス、活性化タイプ）を索引し、$\phi(z, \tau)$ は観測されないイベント強度フィールドであり、$g_{\theta}$ は学習された放出カーネルである。この定式化により、イベントが重なり合い、相互作用し、連続的に進化することが可能になる。
• 確率的セグメンテーションと射影: 潜在的フィールド $\phi$ は観測されないため、モデルは確率的セグメンテーション（時間軸の複数の妥当な分解をサンプリング）と時間 - 周波数射影（サブバンドフィルタリング、時間歪み、位相摂動などのランダム化演算子）を通じてこれを誘起する。これらの射影は、信号レベルの詳細を歪ませつつ、基礎となる生理学的同一性を保持する。
• イベントエンコーダアーキテクチャ: エンコーダ $h_{\theta}$ は、投影された波形を 3 つの段階で処理する。
  1. ローカル特徴抽出: 畳み込みまたはトランスフォーマーステムによるパッチレベルまたはフレームレベルの埋め込み。
  2. セグメンテーション認識集約: 確率的セグメンテーションに基づき、ローカル特徴をセグメント埋め込みへ集約。
  3. グローバル相互作用モジュール: カーネル化演算子を持つニューラル積分変換としてモデル化された潜在的相互作用演算子が、周期的結合やクロス周波数相互作用など、推定されたイベント間の依存関係を捉える。
• 自己教師あり目的関数: 学習の核心となる信号は、確率的セグメンテーションと射影における一貫性である。モデルは、InfoNCE 様式の対照的損失（$L_{cons}$）を用いて、同一の潜在的イベントフィールドの異なるビューに対して不変な表現を生成するように訓練される。
• 正則化とマルチモーダル性: 補助的なセグメンテーション安定性損失（$L_{seg}$）は、予測境界におけるスパース性、滑らかさ、およびクロスビューの合意を強制する。マルチモーダル設定では、このフレームワークは、異なるモダリティ（例：心電図と光電容積脈波）が共有された潜在的イベントフィールドの異なる放出であると仮定することで、明示的な融合モジュールなしに共有表現空間を介してそれらを整合させる。

主要な貢献

1. スペクトル - 時間的イベントフィールド定式化: 生信号のモデル化から、連続的な潜在プロセスのモデル化への転換。波形をトークン化されたシーケンスではなく、相互作用するイベントフィールドの実現として扱う。
2. 確的一貫性目的関数: ランダム化された時間 - 周波数射影と確率的セグメンテーション across 表現を整合させることで、潜在的イベント構造のレベルで不変性を強制する自己教師あり学習フレームワーク。
3. ニューラル演算子ベースのアーキテクチャ: 時間的依存関係と潜在的フィールド内のマルチモーダル整合を明示的にモデル化するために、連続的なイベント相互作用演算子を取り入れた新規エンコーダ設計。

結果
提案された手法は、不整脈分類、血流動態予測、波形検索を含む生理学的ベンチマークで評価された。

• 性能: イベントフィールドモデルは、すべてのタスクにおいて強力なベースライン（マスク再構成、対照的シーケンス、時間 - 周波数ハイブリッドモデル）を上回った。マルチモーダル予測（AUROC 0.872 対 0.823）と検索（MAP 0.714 対 0.645）において顕著な改善が見られた。
• ロバスト性: このモデルは、ノイズ注入、時間歪み、周波数マスクを含む信号摂動に対して優れたロバスト性を示し、シーケンスベースのベースラインよりも優雅に性能低下を免れた。
• ラベル効率: 低ラベル領域（ラベルの 1% から 10%）において、イベント中心のアプローチは、はるかに高い AUROC スコアを達成した（1% で 0.781 対ベースラインの 0.701）。これは、学習されたイベント構造が強力な帰納的バイアスを提供することを示している。
• アブレーション: 任意のコンポーネント（セグメンテーション一貫性、射影、または相互作用演算子）を除去すると性能が低下し、セグメンテーション一貫性が最も重要な因子として特定された。

意義と主張
本論文は、信号中心からイベント中心の表現への転換が、生理的ダイナミクスをモデル化するためのより適切な帰納的バイアスを提供すると主張する。生信号の忠実度よりも、潜在的イベントの組織化と相互作用を優先することで、このフレームワークは、モデルサイズやデータセット量の増加にのみ依存しない、医療における基盤モデルの拡張への補完的な道筋を提供する。著者らは、このアプローチが以下の特性を持つ表現をもたらすと示唆している。

• よりロバスト: ノイズやセンサーアーティファクトなどのノイズ変動や分布のシフトに対して感度が低い。
• より効率的: 少ないラベル付き例でより良い性能を実現。
• より解釈可能: 明示的な教師なしで、QRS 複合体など臨床的に意味のある構造と整合する時間的に局所化されたイベント表現を生成。

この研究は、時間系列基盤モデルにおける支配的なトークン化戦略に対する原理的な代替案として、正しい表現空間（潜在的イベントフィールド）を特定することが、モデル容量の拡張と同様に重要である可能性を提唱している。