🤖 machine learning

Evidential Fusion Network for Multimodal Survival Prediction under Missing Modalities

本論文は、欠損したモダリティを生成的な補完を必要とせずに空虚な証拠として扱うことで、欠損データ条件下における最先端かつ較正されたマルチモーダル生存予測を実現する、デンプスター・シェーファー理論とガウス型ランダムファジィ数を活用したEvidential Missing Modality Survival Fusion (EMMS) モデルを提案している。

原著者： Yucheng Xing, Hailan Mo, Zi Wang, Ling Huang, Mengling Feng

公開日 2026-06-23

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yucheng Xing, Hailan Mo, Zi Wang, Ling Huang, Mengling Feng

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたは、特定の種類の癌を持つ患者がどのくらい生存するかを予測しようとしている医師だと想像してください。最善の推測をするためには、通常、2種類の情報を必要とします。

「絵（病理）」: 腫瘍組織の顕微鏡写真。
「コード（ゲノミクス）」: 患者の遺伝子活動のリスト。

理想的な世界では、両方の情報が手に入ります。しかし、現実の世界では、予期せぬ事態が起こります。組織サンプルが足りずに写真が撮れなかったり、遺伝子検査が高価すぎて省略されたりすることがあります。こうなると、物語の半分しか手元に残らないことになります。

現在のほとんどのコンピュータモデルは、欠落した半分を推測しようとします。彼らは、「ああ、写真がないのか？問題ない、遺伝子に基づいて、その写真がおそらくどのような見た目であるかを想像してみせよう」と言います。問題は、これは足りない材料の味をシェフが推測するようなものだということです。その推測が当たっていることもありますが、多くの場合、コンピュータは存在しない詳細を「幻覚（ハルシネーション）」として作り出してしまい、それが重大な局面での意思決定において危険な間違いにつながる可能性があります。

他のモデルは、欠落した部分を単に無視して、手元にあるものだけで何とかしようとしますが、それらはまるで完全な情報を持っている時と同じくらい自信満々に振る舞います。これは危険です。なぜなら、「パズルの大きなピースが欠けているので、これほど確信を持ってはいけない」と認めることができないからです。

解決策：「正直な」AI (EMMS)

この論文の著者たちは、EMMS（Evidential Missing Modality Survival Fusion）と呼ばれる新しいシステムを提案しています。欠落したデータを推測したり、すべて順調であるふりをしたりする代わりに、EMMSはデンプスター＝シェーファー理論（「信頼性の会計システム」と考えてください）に基づいた巧妙な数学的トリックを使用します。

その仕組みを、簡単な比喩を使って説明します。

1. 「空の箱」戦略

データが欠落している場合（例：遺伝子検査がない場合）、EMMSは欠落した箱の中に偽のアイテムを詰め込もうとはしません。代わりに、「何も知らない」とラベル付けされた空の箱を置きます。

従来の方法: 箱を推測で埋めようとする（リスクが高い）。
EMMSの方法: 箱を空のままにし、それを明確にマークする。この空の箱は**「空虚な証拠（vacuous evidence）」**と呼ばれます。これは、「この入力はゼロの情報しか提供しないので、他の有用な情報を台無しにさせないように」とシステムに伝えます。

2. 「チーム会議」（融合）

病理チームとゲノミクスチームが、患者の予後を決定するために会議をしていると想像してください。

両方のチームが揃っていれば、彼らのメモを統合して、強力で自信のある決定を下します。
もしゲノミクスチームが不在であれば、病理チームは自身の報告を行います。
極めて重要なのは、 ゲノミクスチームが不在であるため、最終的な決定には**「大きな警告ラベル」**が付くことです。「この予測はデータの半分に基づいており、そのため不確実性が高い」というラベルです。

システムは「信頼度スコア」を計算します。データが欠落している場合、スコアは自然に低下します。事実がないにもかかわらず、無理に高い信頼度の答えを出すことはしません。

3. 2種類の「不確実性」

論文では、システムが2種類の疑念を追跡していることを説明しています。

アレオリック不確実性（ノイズ）: データの自然なランダム性（例：「完璧なデータがあっても、生物学は複雑である」）。
エピステミック不確実性（無知）: 欠落した情報によって引き起こされる疑念（例：「遺伝子検査が足りないので、答えがわからない」）。
EMMSが特別なのは、「データにノイズがある」のか、それとも「データを持っていない」のかを区別できる点にあります。

彼らは何を見出したのか？

研究者たちは、このシステムを4種類の癌データ（乳癌、胃癌、腎臓癌、肺癌）でテストしました。彼らは、最大60%のデータが欠落している状況をシミュレートしました。

より高い精度: データが欠落している状況でも、欠落した部分を推測しようとしたり、問題を単に無視したりした他の手法よりも、EMMSは優れた予測を行いました。
正直な自信: システムが確信を持てないとき（データが欠落しているとき）、それは正直に認めました。他のシステムは、間違っていても自信満々に振る舞い続けました。
追加コストなし: 欠落したデータを「再構成」しようとする他の手法とは異なり（それには膨大なコンピュータ・パワーが必要です）、EMMSは高速です。空白を埋めるために余計な作業を行う必要はなく、単に空白を適切に処理します。

結論

この論文は、不完全な医療記録を扱うための、よりスマートな方法を提示しています。事実を捏造したり、すべてを知っているふりをしたりする代わりに、このシステムは情報が不足していることを認め、それに応じて信頼度を調整します。それは、「手元にあるものに基づくと、これが私の最善の推測ですが、重要な検査が欠けているため、注意が必要です」と言う医師のようなものです。

技術要約：欠損モダリティ下におけるマルチモーダル生存予測のための証拠融合ネットワーク

問題提起

精密腫瘍学において正確な生存予測は極めて重要であるが、マルチモーダルモデルの実装は、実世界の臨床現場におけるモダリティの欠損によって頻繁に阻害される。実際には、組織の枯渇、シーケンシングコスト、または不均一なインフラストラクチャにより、完全な形態学的・分子学的プロファイル（全スライド画像とトランスクリプトームデータの組み合わせ）が利用できない場合が多い。

既存のアプローチは、主に2つの制限に直面している：

補完ベースの手法（例：SMIL, M3Care）は、生成モデリングを介して欠損データを再構成する。これらは平均的には効果的であるが、存在しない生物学的信号を「幻覚（ハルシネーション）」として生成するリスクがあり、高リスクな臨床決定においては問題となる。
補完フリーの手法（例：EmbraceNet）は、利用可能な埋め込みのみを集約するが、欠損を単なるマスキングやドロップアウトの問題として扱うことが多い。これらは、欠損したモダリティによって誘発されるエピステミック不確実性（知識の欠如）を明示的に定量化できず、結果としてモデルの無知を反映しない、較正（キャリブレーション）の不適切な信頼レベルをもたらす。

さらに、現在のモデルは、アレオテリック不確実性（データ固有のノイズ）とエピステミック不確実性（情報の欠如による不確実性）を区別することに苦慮しており、信頼性を知らせることなく、単なる「最善の推測」のみを提供している。

手法

著者らは、データの再構成を行うことなく不完全なマルチモーダル観測を処理するために設計されたフレームワークである、**証拠欠損モダリティ生存融合（EMMS）**モデルを提案する。コアコンポーネントは以下の通りである：

1. 理論的基礎：デンプスター・シャファー理論とGRFN

EMMSはデンプスター・シャファー証拠理論に基づいている。各モダリティの予測は、単一の生存時間を予測するのではなく、ガウス型ランダムファジィ数（GRFN）によってパラメータ化された生存証拠として表現される。

GRFNは、 $\tilde{Y} \sim \tilde{N}(\mu, \sigma^2, h)$ $\tilde{Y} \sim \tilde{N} (μ, σ^{2}, h)$ と表記され、以下の要素で生存時間分布をモデル化する：
- $\mu$ ：位置パラメータ（最も妥当なイベント発生時刻の推定値）。
- $\sigma^2$ ：アレオテリック不確実性（データの変動性）。
- $h$ ：エピステミック強度（エピステミック不確実性／無知の逆数）。
空虚な証拠（Vacuous Evidence）： 極めて重要な点として、モダリティが欠損している場合、モデルはそのエピステミック強度を $h=0$ に設定する。これにより、GRFNは「空虚な証拠」へと退化し、完全な無知を表す。この定式化は、欠損した入力を近似するのではなく、その不在をゼロの証拠寄与として明示的に符号化することで、欠損データの近似を回避する。

2. ユニモーダル・ブランチ

モデルは、融合前に2つのモダリティを独立して処理する：

病理ブランチ： 全スライド画像（WSI）をパッチに分割し、学習済みパッチエンコーダで符号化し、TITANスライドエンコーダを用いてスライドレベルの表現へと集約する。この特徴量は、放射基底関数カーネルを用いたプロトタイプベースの証拠定式化を通じて、生存証拠へとマッピングされる。
ゲノミクス・ブランチ： トランスクリプトーム・プロファイルを同様のフレームワークで処理し、GRFNとしてモデル化された生存証拠を生成する。

3. 証拠融合

モデルは、デンプスターの結合則を用いて、利用可能なモダリティからの証拠を融合する。

欠損の処理： バイナリの可用性インジケータ（ $r \in \{0, 1\}$ ）が、モダリティが存在するかどうかを決定する。 $r=0$ の場合、そのモダリティは空虚な証拠（ $h=0$ ）を寄与する。
重み付き集約： 融合されたGRFNパラメータ（ $\mu_f, \sigma^2_f, h_f$ ）は、証拠重み付き集約を介した閉形式（closed-form）で計算される。エピステミック強度の高いモダリティが最終的な予測により多く寄与する。
優雅な劣化（Graceful Degradation）： モダリティが欠損した場合、融合は自然に利用可能なモダリティへと縮退し、干渉を受けない。総エピステミック強度（ $h_f$ ）は加法的に蓄積され、全体的な信頼性の解釈可能な指標として機能する。 $h_f$ の減少は、欠損データによって誘発された不確実性を明示的に反映する。

4. 損失関数

学習目的関数は以下を組み合わせる：

生存損失（ $L_{surv}$ ）： 未検閲および右検閲サンプルを、信念（belief）と蓋然性（plausibility）の境界を用いて監督する、GRFNのための一般化負対数尤度。
整列損失（ $L_{align}$ ）： 両方のモダリティが存在する場合にのみ適用される、軽量なクロスモーダル一貫性正則化因子として機能する対称的なカルバック・ライブラー（KL）ダイバージェンス項。

主な貢献

空虚な証拠の定式化： 本論文は、GRFNフレームワーク内で欠損モダリティを空虚な証拠（ $h=0$ ）として扱う手法を導入している。これにより、モデルがデータを幻覚したり、欠損した入力によって汚染されたりすることを防ぎつつ、自然に予測のエピステミック不確実性を増大させる。
不確実性の定量化： EMMSは、アレオテリック不確実性とエピステミック不確実性を明確に区別する。総証拠強度は、不完全な観測下における予測の信頼性を示す、組み込みの解釈可能な指標として機能する。
計算効率： 補完ベースの手法とは異なり、EMMSは欠損データのための生成フェーズや潜在空間の検索を必要とせず、補完フリーのベースラインと比較して追加の計算オーバーヘッドを生じさせない。
閉形式の融合： デンプスター・シャファー理論の使用により、原理に基づいた閉形式のマルチモーダル証拠集約が可能となり、欠損した入力が利用可能なデータに影響を与えないことを保証する。

実験結果

著者らは、TCGAの4つの癌コホート（BRCA, LUAD, STAD, KIRC）を用いてEMMSを評価した。

完全データ下での性能： 欠損モダリティが0%の設定において、EMMSはほとんどのデータセットで、C-indexおよび統合ブライアスコア（IBS）の観点から最先端（SOTA）の性能を達成し、DisPro、MUSE、Flex-MoEなどのベースラインを上回った。
欠損データ下での堅牢性： 60%のモダリティ欠損率においても、EMMSはすべてのデータセットおよびすべての評価設定（病理のみ、ゲノミクスのみ、完全モダリティ）において、一貫してすべてのベースラインを上回った。他のモデルが大幅な性能低下を示す中で、優れた堅牢性を実証した。
較正（キャリブレーション）： 較正プロットは、EMMSの予測がベースラインと比較して理想的な対角線に近いことを示し、平均絶対偏差（MAD）も低かった。これは、EMMSがより信頼性の高い信頼度推定を提供することを示唆している。
効率性： 学習時間の比較では、EMMSは補完フリーのベースラインであるMUSEと同等の速度であり、補完ベースのDisProよりも大幅に高速であることが示された。

意義と主張

本論文は、EMMSが、データの完全性が保証できない現実の臨床現場における個別化医療のための、スケーラブルで計算効率が高く、理論的に裏付けられたソリューションを提供すると主張している。

デンプスター・シャファー理論を活用することで、EMMSは予測性能と不確実性の認識との間の溝を埋める。これにより、臨床意思決定支援システムが、データが欠損している場合に「自身の無知を信号として送る」ことを可能にし、ノイズと知識の欠如を区別することができる。著者らは、このアプローチが、データの幻覚のリスクや生成的な補完の計算負荷を伴うことなく、SOTAの識別能と較正を実現していることを強調しており、不均一な臨床環境への導入に向けた実行可能な候補であることを示している。