CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

技術的概要：CASCADE 適合予測

問題提起
パーキンソン病（PD）の効果的な薬物管理は、疾患進行の不均一性と患者反応のばらつきによって複雑化しています。PD 向けの臨床意思決定支援システムは、多くの場合、2 段階のアーキテクチャを採用しています。第 1 段階では分類器が「薬物調整が必要かどうか」を判断し、第 2 段階では回帰器が「投与量をどの程度変更すべきか」を予測します。通常、この変更量はレボドパ換算日量（LEDD）で測定されます。

このようなシステムに対する現在の不確実性定量化（UQ）手法には、重要な欠陥が存在します。標準的な適合予測（CP）アプローチは、回帰段階を孤立して扱い、上流の分類段階で生じる認識的不確実性を無視しています。その結果、介入の判断が極めて曖昧な患者（例：55% の確信度）に対してモデルが静的で狭い予測区間を生成する一方で、明確な介入の必要性がある患者（例：99% の確信度）に対しても同様の区間を生成してしまう可能性があります。この「硬直的な保守性」は予測の信頼性を伝達できず、曖昧なケースにおいて危険な過信を招き、明確なケースにおいては不要な保守性を生む可能性があります。

手法：CASCADE フレームワーク
著者らは、スクリーニング分類器から生じる認識的不確実性を伝播させ、下流の予測区間を動的にスケーリングするフレームワーク、CASCADE（Calibrated Adaptive Scaling via Conformal And Distributional Estimation）を導入しました。

1. 認識的不確実性の定量化（第 1 段階）：
   標準的な確率出力に依存する代わりに、このフレームワークは分類タスクに対して多確率的区間 $[p_0(x), p_1(x)]$ を生成するためにVenn-Abers（VA）予測器を採用します。不確実性スコア $u_{VA}(x)$ は、この区間の長さ（$p_1(x) - p_0(x)$）として定義されます。区間が広いほど、薬物変更が本当に必要かどうかに関する曖昧さが高いことを示します。

2. 適応的適合較正（第 2 段階）：
   $u_{VA}(x)$ スコアは、回帰タスクの非適合スコアに直接マッピングされます。著者らは 2 つの戦略を提案します。

   • モンディアン（離散）アプローチ： 較正セットを $u_{VA}(x)$ の分位数に基づいて層別化します。予測区間は、対応する層からの残差のみを使用して構築されます。これは妥当ですが、データの断片化という欠点があります。
   • 連続的カスケードアプローチ： この手法は、感度係数 $\beta$ をパラメータとする平均中心化スケーリング関数 $\sigma(x)$ を利用します。
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     ここで、$\bar{u}_{VA}$ は較正セットの平均不確実性です。患者の不確実性が平均を上回る場合、区間は拡大し、下回る場合は縮小します。最終的な予測区間は、スケーリングされた非適合スコアのグローバル分位数を使用して構築され、区間の長さが臨床判断の難易度に連続的にスケーリングされることを保証します。

主要な貢献

1. タスク間不確実性の転送： このフレームワークは、分類の信頼性（Venn-Abers 経由）を直接適合非適合スコアにマッピングするメカニズムを確立し、補助的な誤差モデルを訓練することなく、回帰区間が上流の不確実性に適応できるようにします。
2. 連続的スケーリング機構： 連続的実装において調整可能なパラメータ $\beta$ を導入することで、従来のビン化（モンディアン）アプローチに固有の離散化アーティファクトとサンプルサイズの断片化を回避します。
3. 臨床的検証： フロリダ大学ヘルスにおける 631 人の患者からの 10 年間の入院データを用いてフレームワークを検証した結果、80% の信頼水準を満たす marginal coverage（周辺被覆率）を保ちながら、高確信度ケースの効率性を大幅に向上させることが示されました。

結果
標準的な適合ベースライン（Naïve、Standard CP、CV+、J+aB）および離散的モンディアンベースラインと比較評価しました。

• 被覆率（Coverage）： 連続的 CASCADE フレームワーク（$\beta=0.7$）は、目標とする 80% の信頼水準を満たす 80.1% の被覆率を達成しました。一方、Standard CP は 84.0% の被覆率を示し、硬直的な保守性による過剰被覆を示唆しています。
• 効率性（Efficiency）： 低不確実性（下位 33%）の患者において、CASCADE は Standard CP ベースラインと比較して、平均予測区間の長さを 38.9% 削減しました（0.113 から 0.069）。
• 適応性（カスケード比）： フレームワークは 4.23 のカスケード比（CR）を達成しました（Standard CP は 1.00）。これは、高不確実性ケース（上位 33%）の区間長が、低不確実性ケースのそれよりも約 2.6 倍広い（0.292 対 0.069）ことを示しており、曖昧なケースに対して効果的に「安全マージン」を創出しています。
• 統計的有意性： コルモゴロフ・スミルノフ検定により、CASCADE と Standard CP の区間分布間に有意な乖離（$D=0.62, p < 10^{-54}$）があることが確認されました。さらに、区間長と Venn-Abers 不確実性スコアの間にほぼ完全なスピアマン相関（$\rho = 0.999$）が観察され、適応性が不確実性シグナルによって駆動されていることが確認されました。

意義と主張
本論文は、CASCADE が離散的な臨床意思決定と連続的な投与量予測の間のギャップを埋めると主張しています。分類の不確実性と回帰較正を明示的に結合することで、このフレームワークは自動的な安全装置として機能します。

• 複雑または曖昧なシナリオにおける危険な過信を防ぎ、予測区間を自動的に拡大して堅牢な被覆を確保します。
• 単純なケースにおける不要な保守性を排除し、臨床医により精密で実行可能なガイダンスを提供します。

著者らは、このフレームワークが PD の薬物管理で検証されたものの、離散的介入評価に連続的定量化タスクが続く任意の 2 段階パイプラインにおいて、根本的な信頼性のギャップに対処していると強調しています。この研究は、適応性が単なる技術的強化ではなく、AI の振る舞いを「何よりもまず害をなすな（primum non nocere）」という原則に整合させるための臨床的必要性であると位置づけています。著者らは、このフレームワークが臨床医に警告するために不確実性を表面化させるものの、臨床展開の前には前向きな検証と規制当局による審査が必要であると指摘しています。