技術概要：医療ビデオ診断のための臨床的根拠に基づく反事実推論（MEDVCR）

1. 問題提起

コルポスコピーや大腸内視鏡検査などの臨床的ビデオ診断では、医師が子宮頸がんや大腸がんなどの疾患を検出するために、処置の各段階にわたる動的な組織反応を評価する必要があります。近年の空間時間モデルは医療ビデオのエンドツーエンド分析を進展させましたが、以下の 3 つの根本的な限界に悩まされています：

1. 病理学的進化の誤解釈：既存のモデルは、ビデオを視覚的変化の連続として扱い、ピクセルレベルの変異を分析する一方で、酢酸やヨウ素などの試薬に対する一時的な反応など、特定の検査段階にわたって組織がどのように進化するかを見落としています。
2. 臨床診断原則の無視：純粋にデータ駆動型のアプローチは、照明の変化、試薬の色の変化、またはカメラの動きによって引き起こされる非病理学的な変異と、意味のある診断の手がかりを混同することが多く、明示的な臨床的制約が欠如しています。
3. 仮説駆動型推論の欠如：現在のモデルは観測されたパターンと診断出力を相関させますが、臨床医の「仮説駆動型」の推論を模倣できていません。医師は、偶発的な相関から因果的な病理学的手がかりを区別するために、頭の中で反事実的なシナリオ（例：「もしこの組織が悪性ではなく良性だったらどうなるか？」）をシミュレートします。この能力は限られた臨床症例から学習する際に特に重要ですが、ほとんどの自動化システムには存在しません。

2. 手法：MEDVCR

著者は、事実的な観察と臨床的に妥当な仮説的シナリオを統合する仮説駆動型の反事実推論フレームワークであるMEDVCRを提案します。アーキテクチャは以下の 3 つの中核コンポーネントで構成されます：

2.1. 反事実ジェネレーター（CG）

臨床現場で観測された進行と代替的な結果を頭の中で比較する実践に触発され、CG は特定の健康状態（良性または悪性）を条件として現実的な組織遷移を合成します。

• メカニズム：条件付き拡散モデルとして定式化されます。段階 $s_t$ からの参照フレーム $x_t$ と目標とする健康状態 $h$ が与えられると、ジェネレーターは次の段階 $s_{t+1}$ における対応するフレーム $\tilde{x}^h_{t+1}$ を生成します。
• プロセス：ガウスノイズで実際の組織フレームを汚す前方拡散プロセスと、指定された病理学的状態と一貫した診断情報を反復的に復元する学習可能な逆方向ノイズ除去プロセス（U 型ネットワークを使用）を採用します。これにより、同一の入力に対して良性と悪性の両方のバリエーションを合成でき、代替的な診断軌道のシミュレーションが可能になります。

2.2. 反事実表現学習（CRL）

CRL モジュールは、事実的なビデオシーケンスと生成された反事実的仮説の両方から空間時間表現を学習します。表現が生理学的に整合性があり、診断的に解釈可能であることを保証するために、以下の 3 つの特定の臨床的ルールを強制します：

1. 時間的一貫性：試薬反応や照明の変化に関わらず、同一の組織領域における診断情報が検査段階全体で安定して維持されることを保証します。これは時間的対照損失によって強制されます。
2. 病理学的分離性：潜在空間において良性と悪性の状態を明確に分離し、病理学的カテゴリ間で特徴が独立しつつ、強力な診断依存性を維持することを保証します。これはソフト分離損失によって強制されます。
3. 反事実的整合性：エンコーダーが、事実的な観察を病理学的に一貫した反事実的な対応物と整合させつつ、互換性のない仮定から分離することを要求します。これはトリプレットベースの整合損失によって強制されます。

2.3. 二重診断予測（DDP）

DDP 戦略は、グローバルな時間的コンテキストをフレームレベルの反事実的対比と統合することで、臨床医の階層的推論を模倣します。

• ビデオレベルの評価：検査シーケンス全体からのグローバルな時間的ダイナミクスを集約します。
• フレームレベルの分析：事実的なキーフレームとそれらの反事実的対応物（例：疑わしい悪性フレームと生成された良性仮説）を独立して分析します。
• 融合：最終的な予測は、ビデオレベルの進行ダイナミクスと真の病理学を支持するフレームレベルの証拠を組み合わせると同時に、代替仮説と整合する手がかりを抑制します。これにより、予測レベルで鑑別診断推論が実現されます。

2.4. 訓練目的

このフレームワークはハイブリッド損失関数を利用します：

• ジェネレーター損失：拡散プロセス中に予測されたノイズと参照ノイズ間の平均二乗誤差を最小化します。
• 視覚エンコーダー損失：臨床的ルールに由来する時間的対照、分離性、および反事実的整合の損失を組み合わせます。
• 診断損失：予測確率と真のラベルを比較する標準的な教師ありバイナリ交差エントロピー損失です。

3. 主要な貢献

• 新たなパラダイム：異なる疾患状態における組織進化を明示的にモデル化する医療ビデオ診断のための反事実推論パラダイムを導入し、データ駆動型学習と専門家の臨床推論の間のギャップを埋めます。
• 臨床的統合：時間的一貫性、病理学的分離性、および反事実的整合性という明示的な臨床診断原則を、表現学習プロセス内の正則化制約として組み込みます。
• アーキテクチャ：拡散ベースの反事実ジェネレーター、ルール正則化された表現学習モジュール、および二重診断予測戦略からなる統合フレームワークを提案します。
• 汎用性：完全教師あり（生検部位の局在化）および弱教師あり（ポリープフレームの検出）の設定、ならびに静的画像分析（マンモグラフィ）の両方において有効性を示します。

4. 実験結果

著者は MEDVCR を 2 つの代表的なタスクと追加の静的画像タスクで評価しました：

• 完全教師ありコルポスコピー（生検部位の局在化）：

  • データセット：623 名の患者固有のコルポスコピービデオからなる社内データセット。
  • 性能：93.0% の Recall@1 を達成し、最良の最先端（SOTA）ベースライン（SurgFormer）を**10.2%**上回りました。
  • 比較：一般的なビデオ理解モデル（TimeSformer、VideoSwin など）および医療固有のベースラインを大幅に凌駕しました。

• 弱教師あり大腸内視鏡検査（ポリープフレームの検出）：

  • データセット：Kvasir および LDPolypVideo データセットの組み合わせ（100 万フレーム以上）。
  • 性能：94.8% の平均精度（AP） を達成し、最強のベースライン（Fadmb）を**2.6%**上回りました。
  • 意義：弱教師下で微妙な病理学的ダイナミクスをモデル化する際の反事実推論の優位性を示しました。

• アブレーション研究：

  • 臨床的ルール（CRL）と二重診断予測（DDP）戦略の両方が正の貢献をしていることを確認しました。
  • 反事実的整合ルールが最大の性能向上をもたらしたことを示し、事実的表現と反事実的表現を結びつける際のその重要な役割を浮き彫りにしました。
  • このタスクにおいて、ビデオベースのアーキテクチャ（特に I3D）がビジョン - ランゲージおよび自己教師ありモデルを上回ることを検証しました。

• 一般化（マンモグラフィ）：

  • 両側マンモグラフィ分類（静的画像）に適応させた場合、MEDVCR は93.4% の AUC を達成し、以前の乳房固有の手法（90.9% の AUC）を上回り、モダリティを超えた汎用性を示しました。

5. 意義と主張

本論文は、MEDVCR が臨床現場で臨床医が用いる認知プロセスを模倣することで、現在の自動化診断システムの「ブラックボックス」性質に対処すると主張しています。異なる病理学的条件下での組織進化を明示的にシミュレートし対比することで、このフレームワークは以下の点を実現します：

• 信頼性の向上：因果的な手がかりと交絡因子を区別することが困難なデータ不足の状況において、診断の堅牢性を大幅に向上させます。
• 解釈性の向上：事実的な観察と仮想的な代替案を対比させることで透明な意思決定支援を提供し、診断推論プロセスを臨床原則により整合させます。
• 新たな道筋の開拓：この反事実推論パラダイムが、単純なパターン認識から仮説駆動型で臨床的根拠のある AI へと移行する中で、他のビジョンベースの臨床診断タスクへ拡張可能であることを示唆しています。

著者は限界を認め、現在のジェネレーターが隣接する段階間の短距離遷移のみをモデル化しており、組み込まれた臨床的ルールがまだ専門家の推論戦略の全範囲を網羅していないことを指摘しています。今後の課題として、生成モデルの範囲と臨床知識のカバレッジを拡大することが提案されています。