技術要約：表面ベースの Tau PET 調和のための Feynman–Kac 再重み付け Schrödinger Bridge Matching

問題提起

マルチサイト・ニューロイメージング研究は、統計的検出力を高めるために不可欠であるが、スキャナー、撮像プロトコル、および放射性トレーサーの違いに起因する非生物学的な変動によって混乱が生じる。この変動はバイオマーカーの分散を増大させ、疾患の影響に対する感度を低下させ、特にサイトの分布が生物学的変数と共変する場合に系統的なバイアスを導入する可能性がある。

調和化手法はサイトに起因するシフトを除去することを目的としているが、既存のアプローチには（共通の被験者がサイト間で存在しない）非対の状況において、以下のような重大な限界がある：

• 統計的手法（例：ComBat）： 線形かつガウス的な効果を仮定し、特徴量を独立して扱うため、非線形な相互作用を捉えることができない。
• 深層学習手法（例：CycleGAN）： 学習の不安定性、モード崩壊、および強力な帰納バイアスなしでは教師なしの解きほぐし（disentanglement）が理論的に不可能であるという問題に直面する。
• 拡散ベースの手法： ノイズ注入に依存しており、ドメイン適応とコンテンツ保存の間のトレードオフが存在する。

Schrödinger Bridge (SB) に基づく調和化においても、重要なギャップが残されている。標準的な SB 実装（例：Diffusion Schrödinger Bridge Matching, DSBM）は、通常、生成端のペアを積測度 $\pi_0 \otimes \pi_1$ から独立してサンプリングする。ソース・コホートとターゲット・コホートのサブグループ組成（例：タウ陽性とタウ陰性の割合の違い）が異なる場合、この「無関心な（agnostic）」結合は、出現頻度に基づいてソースのサンプルをターゲット・ドメインの異なる生物学的サブグループへとマッピングしてしまう可能性がある。これは、トレーサーの違いと生物学的な変動を混同させることになり、調和化の目的を損なう。さらに、SB を表面ベースのニューロイメージングに適用することは、皮質表面の非ユークリッド幾何学的なメッシュ・トポロジーのために困難を伴う。

手法

著者らは、生物学的なサブグループ構造を尊重しながら、表面ベースの tau PET データを調和させるためのフレームワークである Feynman–Kac Reweighted Schrödinger Bridge Matching (FKRSBM) を提案する。

1. 理論的基礎：エンドポイント正則化 SB

本手法は、調和化をエントロピー正則化された最適輸送問題として定式化する。サイトの影響と生物学的な変動を混同することを防ぐため、著者らは、生物学的に意味のあるペアリング（例：タウ陽性ステータスの不一致に対するペナルティ）を符号化するエンドポイント・ペナルティ $\Phi(X_0, X_1)$ を導入する。

目的関数は、学習されたパス測度 $P$ と参照測度 $R$ の間のカルバック・ライブラー（KL）ダイバージェンスを、ペナルティ項によって拡張したものとなる：
$$P^*_\lambda \in \arg\min_{P \ll R, P_0=\pi_0} \left\{ KL(P \| R) + \lambda E_P[\Phi(X_0, X_1)] \right\}$$
ここで、$\lambda$ はペナルティの強度を制御する。

2. Feynman–Kac 再重み付け

主要な理論的貢献は、この正則化された目的関数が、Feynman–Kac 再重み付けされた参照測度 $R_\lambda$ の下での標準的なブリッジ・マッチングと等価であることを示す点にある。

• メカニズム： 再重み付けは、エンドポイントの結合（ソースとターゲットのペアの分布）を修正するが、任意の固定されたペア間の条件付きブラウン橋のダイナミクスは変更しない。
• 実装： これにより、制約を、層化された重要度サンプリングを介したデータ・サンプリング・レベルで完全に実装できる。モデルは、基礎となるネットワーク・アーキテクチャやブリッジ・マッチング・ソルバーを変更する必要はない。
• サンプリング： 学習中、ターゲットのエンドポイントは、条件付きプロポーザル $q_\lambda(x_1|x_0) \propto \exp(-\lambda \Phi(x_0, x_1)) \pi_1(x_1)$ からサンプリングされ、これは生物学的ラベルが一致する被験者（例：タウ陽性とタウ陽性）を優先的にペアリングする。

3. 表面ベースのアーキテクチャ

皮質表面データのために、FKRSBM は、イコサヘドラル・メッシュ上で動作する球面畳み込みバックボーン（Conditional Surface U-Net）を採用している。このアーキテクチャは、皮質の非ユークリッド幾何学を尊重し、頂点レベルの調和化における表面トポロジーを保持する。

4. 学習と推論

• 学習： モデルは、解析的なブラウン橋の速度に対する順方向および逆方向のドリフト回帰を含む、2段階のプロセス（事前学習とファインチューニング）を使用する。エンドポイントのペアは、Feynman–Kac 再重み付けされたプロポーザルから抽出される。
• 推論： 調和化は、ソース・サンプルから開始し、Euler–Maruyama 法を用いて、学習された確率微分方程式（SDE）を $t=0$ から $t=1$ まで積分することによって行われる。

主な貢献

1. 皮質表面における Schrödinger Bridge： 本論文は、非ユークリッド・トポロジーを扱うための球面畳み込みを利用して、皮質表面メッシュに特化して設計された初の SB ベースの調和化フレームワークを導入する。
2. エンドポイント制約付き輸送： 著者らは、サイトの影響と生物学的な変動を混同することを防ぐエンドポイント正則化 SB 目的関数を定式化し、これが Feynman–K、Kac 再重み付けを介してエンドポイント・プロポーザルの再重み付けとして実装可能であることを証明した。これは、ソルバーへのアーキテクチャ変更を必要としない。
3. モジュール設計： 再重み付けは完全にデータ・サンプリング・レベルで動作するため、制約はモジュールであり、SB ソルバーの将来的な改善とも互換性がある。

結果

本手法は、非対の tau PET SUVR マップを用いて評価された。具体的には、HABS-HD コホートの PI-2620 データを ADNI の AV-1451 ドメインへと調和させた。ComBat、CycleGAN、拡散ベースの手法（DF）、および非正則化 DSBM と比較された。

• 分布の整合性： FKRSBM は、両半球において最も低い Wasserstein 距離（WD）と最も強い残留サイト分離の減少（最低の Somers' D）を達成し、すべてのベースラインを上回った。
• サブグループの一貫性： 非正則化 DSBM が層化されたサブグループにおいて系統的な過小/過剰補正を示したのに対し、FKRSBM はタウ陽性とタウ陰性の両方のサブグループにおいて整合性を維持した。
• タウ陽性の保存： FKRSBM は、DSBM（左半球 17.5%、右半球 13.3%）と比較して、タウ・ステータスの反転率が極めて低い（左 2.6%、右 3.0%）ことを示した。非正則化 DSBM は、タウ陰性の被験者を陽性に反転させる強いバイアスを示したが、これは再重み付けによって緩和された失敗モードである。
• 生物学的層別化： FKRSB M は、APOE ε4 キャリアおよび非キャリア間の分離をより良く保持しており、これらの遺伝的サブグループ内でのターゲット分布に対する Kolmogorov–Smirnov（KS）統計量が低かった。
• ダウンストリームの性能： 診断分類タスク（CN vs. AD、および CN vs. MCI vs. AD）において、FKRSBM は最高の F1 スコアと精度を示し、調和化されたデータがサイトノイズを減少させつつ、疾患に関連する信号を保持していることを示した。

意義と主張

本論文は、FKRSBM が標準的な非対ドメイン変換における根本的な欠陥、すなわち、コホート組成が異なる場合に技術的なサイトの影響と生物学的な不均一性を混同するリスクに対処することを主張している。Feynman–Kac 再重み付けを通じて生物学的に一貫した輸送を強制することにより、本手法は既存の統計的手法や深層学習アプローチよりも優れた分布の整合性を達成し、重要な臨床的バイオマーカー（タウ陽性および APOE ステータス）をより良く保持する。

著者らは、ソースおよびターゲットのコホートがサブグループ組成において異なるシナリオでは、エンドポイントを意識した結合が極めて重要であると結論付けている。彼らは、FKRSBM を、理論的な整合性と実用的な性能の両方を向上させる、原理的な解決策として位置付けており、今後の課題として、この手法をマルチサイトの調和化、連続的な共変量、およびその他の表面ベースのイメージングモダリティへ拡張することを挙げている。