技術要約: ImProNCDE による縦断的眼科予後予測

1. 問題提起

縦断的な眼科画像解析は予後予測において極めて重要であるが、既存のAI支援モデルは臨床フォローアップデータの性質に起因する重大な課題に直面している。臨床シーケンスは、しばしば疎（スパース）であり、不規則にサンプリングされ、かつ不完全である。Neural Controlled Differential Equations (NCDEs) はこのようなデータに対して原理的な連続時間フレームワークを提供するが、標準的な実装は臨床現場における2つの具体的な制限に苦しんでいる：

1. 急激な変化との不一致: 標準的なNCDEは滑らかな潜在ダイナミクスを仮定している。しかし、疾患の軌跡は、治療介入（抗VEGF注射など）、病変の再発、または長期のフォローアップ間隔によって、急激な病理学的変化を起こすことがある。標準的なモデルは、新しい観察値が滑らかな連続予測から逸脱した場合に、潜在状態を明示的に再校正することに失敗する。
2. 誤差の累積: 長いホライゾンにおける数値積分は誤差を蓄積させ、潜在的な軌跡を不安定にし、真の病理学的状態から逸脱させる可能性がある。これにより、クラス判別能と予後精度が低下する。

2. 手法: ImProNCDE

著者らは、不規則な縦断的眼科軌跡をモデル化しつつ、急激な病理学的変化を扱うために設計されたフレームワークである ImProNCDE (Impulse-Corrected Neural Controlled Differential Equations) を提案している。このパイプラインは、以下の3つの結合されたコンポーネントで構成される：

A. 空間的意味論的埋め込みと連続パスの構築

• エンコーダ: 事前学習済みの網膜基盤エンコーダ (RETFound) が、不規則なOCTスキャンから訪問レベルの画像埋め込み ($x_i$) を抽出する。
• 連続制御パス: 微分方程式を駆動するために、これらの離散的な訪問埋め込みは、自然三次エルミットスプライン補間を用いて、連続的で微分可能な制御パス $x(t)$ へと持ち上げられる。
• 制御信号: このスプラインの解析的な導関数 $u(t) = \frac{dx(t)}{dt}$ が、NCDEソルバーのための連続的な制御信号として機能し、患者固有の時系列的コンテキストに導かれながら、訪問間に潜在システムが連続的に進化することを可能にする。

B. 残差インパルス校正 (Residual Impulse Calibration: RIC)

標準的なNCDEの予測と急激な観察された変化との間の不一致に対処するため、RICは各訪問時刻 $t_{i+1}$ において潜在状態を再校正する：

1. 残差計算: モデルは、NCDEによって予測された潜在状態 ($h_{pred}$) と、新たに観察された画像特徴 ($x_{gt}$) を比較する。残差 $r$ は次のように計算される：$r = x_{gt} - W_{align}h_{pred}$。
2. インパルス生成: 残差はコンパクトなコードへと投影され、現在の潜在状態との外積相互作用を計算するために使用される。学習可能なゲイン関数が、これを残差対状態のゲイン行列へとマッピングする。
3. 状態再校正: インパルス補正 $\Delta h$ が潜在状態に適用される：$h_{new} = h_{pred} + \beta \Delta h$。これにより、大きな偏差が生じた際に、モデルは新しい観察事項に整合するように潜在的な軌跡を「ジャンプ」させることができる。

C. プロトタイプ誘導型軌跡スタビライザー (Prototype-guided Trajectory Stabilizer: PTS)

長期間のドリフトを軽減し、クラスの分離性を向上させるために、PTSはクラス認識の幾何学的制約を課す：

• 学習可能なプロトタイプ: モデルは、特定の転帰クラスを表す潜在的なアンカーとなる一連の予後プロトタイプ $\{p_k\}$ を学習する。
• マハラノビス距離: 補正された状態 $h_{new}$ と各プロトタイプとの近接性は、潜在空間の次元ごとのスケーリングを学習する対角マハラノビス距離を用いて測定される。
• 安定化: プロトタイプ誘導型の力が、潜在状態をプロトタイプの加重重心へと引き寄せる：$h_{stabilized} = h_{new} + \alpha \sum w_k (p_k - h_{new})$。これにより、軌跡は転帰に関連する領域へと正規化される。

D. 集約と最適化

補正された潜在シーケンスは、訪問間の依存関係を捉えるための位置エンコーディングを備えた Transformerエンコーダ を用いて集約される。最終的な分類トークンは、エンドポイントの予後予測のために線形ヘッドへと渡される。モデルは、シーケンスレベルの予後ラベルに対する標準的なクロスエントロピー損失を用いて最適化される。

3. 主な貢献

1. ImProNCDE フレームワーク: 疎で不規則な縦断的眼科データ向けに特別に設計された、新しいインパルス補正型NCDEフレームワークであり、連続時間ダイナミクスを通じて不連続な病理学的進行を捉えることができる。
2. 残差インパルス校正 (RIC): 予測された状態と観察された状態の間の残差の不一致を測定し、適応的なインパルス補正を適用することで、訪問時に潜在的な軌跡を実際の疾患の状態へと再整合させるメカニズム。
3. プロトタイプ誘導型軌跡スタビライザー (PTS): 学習可能な予後プロトタイプとマハラノビス幾何学を用いて、補正された軌跡を制約し、長期間のドリフトを減少させ、エンドポイントの分離性を向上させる手法。

4. 実験結果

本手法は、3つのデータセット（OCT4DME（公開、短期的な治療反応）、GRAPE（公開、自然な緑内障進行）、OURS（自社、抗VEGF介入を伴う多施設共同糖尿病網膜症））で評価された。

• 性能: ImProNCDEは、従来のシーケンスモデル（RNN, LSTM, Transformer）、医学時系列バックボーン（Medformer, ViTST）、および適応型拡散ベースモデル（DiffMIC, TrajDiff）を含む既存のSOTA手法を上回った。
  • OURS データセットにおいて、ImProNCDEは 73.30% の精度 および 89.56% のAUC を達成し、最強の競合モデルである DiffMIC を精度で 0.18%、AUC で 1.91% 上回った。
  • GRAPE においては、89.74% の精度 を達成し、次点の優れた手法を10パーセントポイント以上大幅に上回った。
  • OCT4DME では、77.98% の精度 と 84.92% のAUC を達成した。
• アブレーション研究: フルインパルスメカニズム（RIC）を除去すると、F1スコアが劇的に低下し（OURSデータセットにおいて71.50%から35.89%へ）、訪問レベルの偏差を扱うためのその必要性が確認された。同様に、プロトタイプ安定化（PTS）を除去するとF1は44.61%に低下し、長期間の安定性におけるその役割が検証された。
• 表現解析: t-SNE 可視化およびクラスタリング指標（シルエット係数、ARI、NMI）は、ImProNCDEが、生の RETFound 特徴量と比較して、異なる予後クラスに対してよりコンパクトで分離された潜在クラスを生成することを示した。

5. 意義と主張

論文は、ImProNCDEが疎で、不規則で、臨床的に動的な眼科フォローアップシーケンスをモデル化するための効果的なフレームワークを提供すると主張している。その意義は以下の通りである：

• 臨床の現実への対応: 滑らかな進化を仮定する標準的な連続モデルとは異なり、ImProNCDEは、治療や疾患の再発によって引き起こされる急激な病理学的変化を明示的に考慮しており、これらは臨床フォローアップにおいて一般的であるが、標準的なNCDEでは見落とされることが多い。
• 安定性: プロトタイプ学習を統合することにより、本フレームワークは誤差の累積という問題に対処し、潜在的な軌跡が臨床的に意味のある転帰領域に固定されることを保証する。
• 汎用性: 本手法は、介入駆動型のコホート（抗VEGF）、自然経過コホート、および短期的な反応設定を含む多様な臨床シナリオにおいて、将来の画像を明示的に生成することなく、堅牢な性能を示す。

著者らは、現在の評価は眼科および抗VEGF介入に限定されているものの、本フレームワークは不規則な縦断的データをモデル化するための有望な方向性を提供しており、他の医学領域へのさらなる検証が必要であると述べている。