技術要約：HERO – 多角的タスクによる乳がん解析のための仮説駆動型エビデンス検索（Hypothesis-Driven Evidence Retrieval from Omics for Multi-Task Breast Cancer Analysis）

問題提起

乳がんの診断には、H&E染色全スライド画像（WSI）と分子バイオマーカー（ER/PR/HER2、サブタイプ、予後）からのエビデンスを統合する必要があります。適合したマルチオミクス・データは予測を向上させる可能性がありますが、既存のパイプラインには主に3つの限界があります。

1. 弱教師あり学習を用いたMIL（Multiple Instance Learning）： スライドレベルのラベルに依存しており、アテンション機構が事後的（post-hoc）であるため、エビデンスの十分性を検証できず、腫瘍内不均一性により非診断的な領域を強調してしまうことがよくあります。
2. VLM（視覚言語モデル）ベースの読取器： 読解を明示的に行わせるものの、固定された分子条件付きの検索プライア（prior）ではなく、プロンプトレベルのガイダンスに依存することが多く、視覚的に顕著であってもエンドポイント（終点）とは無関係な領域へとバイアスが生じます。
3. マルチモーダル・フュージョン： オミクスを並列のフィーチャーストリームまたは付加的なテキストとして扱っており、どの領域を検索すべきかを明示的に制御したり、その検索の完全性を検証したりすることに失敗しています。

核心となる課題は、ギガピクセル規模のWSIにおけるエンドポイントを意識したエビデンス検索であり、観察された形態学的な特徴が分子的な結論を明示的に支持していることを保証し、監査可能なエビデンスの軌跡を作成することです。

手法：HERO パイプライン

HERO（Hypothesis-Driven Evidence Retrieval from Omics）は、観察されたオミクスを検証可能な形態学的仮説として扱う、4段階のクローズドループ・パイプラインです。これは、共有された16次元のエビデンス空間（$K=16$）内で動作します。

ステージ1：オミクスから意図（Intent）とキーワードへ

• パスウェイ・スコアリング： DNAメチル化（$x_{dna}$）およびmiRNA（$x_{mirna}$）ベクトルをz正規化します。MSigDB Hallmark遺伝子セットおよび検証済みのmiRNA標的相互作用から導出された事前定義のバイナリマスクを用いて、パスウェイ・スコアを算出します。このスコアリングは、ハイパーメチル化とmiRNAによる抑制をパスウェイのダウンレギュレーションへとマッピングします。
• 形態学的プライア（$W$）： 固定された、符号付きの重み付きスパース・プライア行列（$W \in \mathbb{R}^{K \times P}$）が、50のパスウェイ・スコアを16の形態軸（例：核の多形性、分裂活性、間質性デスモプラジア）にマッピングします。このプライアは、WHOの用語および生物学的関連性（例：E2F/MYC $\to$ 増殖）に基づいたものであり、最適化されることは決してありません。これにより、マッピングの監査可能性とスケール不変性が保証されます。
• 意図（Intent）の生成： $m = \ell_2\text{-normalize}(\text{ReLU}(Ws))$ を通じて意図ベクトル $m$ が生成されます。LLMによるコミッティ（委員会）形式の呼び出しにより、パスウェイと軸に基づいた分子学的ナラティブ（物語）と、構造化されたキーワードセット $Q$（15～40語）が生成されます。

ステージ2：10倍解像度での検索（300 $\to$ 上位64）

• 代表的パッチのマイニング： WSIはUNIエンベディングでエンコードされます。MiniBatchKMeans（$k=300$）を用いてこれらをクラスタリングし、グローバルな形態学的多様性をカバーする300個の代表的パッチを選択します。
• キャプション生成とランキング： これら300個のパッチを10倍倍率で再訪し、VLM（Qwen2.5-VL-7B）を用いて構造化プロンプトを用いてキャプションを生成します。TF-IDF ベクトライザ（スライドごとに適合）を用いて、これらのキャプションをキーワードセット $Q$ に対してランキングします。上位64個のパッチが初期エビデンスセットを形成します。

ステージ3：20倍解像度での整合性ゲートと欠損駆動型修復

• 視覚的エビデンスベクトル（$v$）： 上位64個のパッチを20倍でクロップし、8×8のモザイク状に配置し、細胞学的特徴に焦点を当てて再度キャプションを生成します。キャプション内のチェックリスト用語の存在を確認することで、視覚的エビデンスベクトル $v \in \mathbb{R}^K$ を構築します。
• 整合性ゲート（Consistency Gate）： コサイン類似度 $c = \cos(m, v)$ を用い、分子学的意図と視覚的エビデンスの整合性を測定します。
• 欠損駆動型修復（Deficit-Driven Repair）： もし $c < \tau_c$（閾値 $\tau_c=0.5$）である場合、システムはサポートが不足している軸（$m - v$）を特定します。残りの未選択の代表パッチを、それらの欠損を補う能力に基づいて再ランキングし、元の64個に上位32個の修復候補をマージして、追加の20倍キャプション・パスを実行します。これ以上の修復ラウンドは行われません。

ステージ4：診断モジュール

最終的なモザイク、分子学的ナラティブ、および整合性の要約は、LoRAチューニングされたQwen2.5-VL-7Bに入力されます。このモデルは、ER、PR、HER2、サブタイプ、およびリスクに関する構造化されたJSON予測を出力します。このステージのみがチューニング対象であり、ステージ1〜3は固定された検索および検証モジュールとして機能します。

主な貢献

1. オミクス誘導型検索： DNAメチル化とmiRNAを、スパースなパスウェイ・形態軸意図ベクトルへと変換することで、埋め込みベースのセマンティック・マッチングではなく、構造化されたキャプションに対するTF-IDFを介した、エンドポイントを意識したパッチ選択を可能にします。
2. 整合性ゲートと決定論的修復： 分子学的・視覚的なミスマッチを検出するためのコサイン・ゲートを導入しました。ミスマッチが検出された場合、決定論的な欠損駆動型再ランキングメカニズムが、不足している形態軸をカバーするようにパッチを再検索し、計算量を1回の修復ラウンドに限定します。
3. 堅牢性と監査可能性： VLMの呼び出し回数を制限し、ブラックボックス的なセマンティック・マッチングへの依存を減らし、すべての検索ステップが語彙的に監査可能であることを保証します。固定されたプライア $W$ は、ショートカット学習を防ぎ、解釈可能性を確保します。

実験結果

TCGA-BRCA（930枚のWSI、878人の患者）を用いて、患者レベルの5分割交差検証を実施しました：

• 最先端の性能： HEROは、すべてのエンドポイント（ER, PR, HER2, Subtype, Risk）において、すべてのベースライン（SNN, TransMIL, MCAT, SurvPath, およびVLMベースのエージェントを含む）を上回りました。
  • 特に、形態学的な特徴が疎で不均一なHER2（SurvPathに対して+0.050 AUC）およびRisk（+0.030 C-index）において顕著な向上が見られました。
• アブレーション研究：
  • 検索メカニズム： HEROの検索をTransMILのアテンションやランダムサンプリングに置き換えると、性能が大幅に低下しました（例：HEROはVLM + TransMIL Top-64に対してHER2を+0.090改善）。これは、性能向上が分子学的誘導型の検索に起因することを裏付けています。
  • コンポーネント： 整合性ゲートを除去すると、HER2のAUCが0.043減少しました。ランダムなパッチ修復では性能のわずかな部分しか回復できなかったため、欠損駆動型の再ランキングが極めて重要であることが証明されました。
  • 感度： システムはプライア $W$ の摂動（ノイズやドロップアウトによる $\le 0.009$ の性能低下）に対して堅牢ですが、パスウェイと軸の割り当てをシャッフルすると大幅な低下が見られました。これは、$W$ が情報量の多い生物学的構造をエンコードしていることを検証しています。

重要性と主張

本論文は、HEROが、オミクス・データを単なる並列のフィーチャーストリームとしてではなく、明示的な検索制約および検証メカニズムとして扱う新しいパラダイムを確立したと主張しています。分子学的仮説と視覚的エビデンスのループを閉じることで、HEROは高い精度を実現すると同時に、語彙的に監査可能なエビデンスの軌跡を提供します。

著者らは以下の制限事項を明記しています：

• 評価は内部のTCGA-BRCA交差検証に限定されており、他の施設、スキャナー、集団に対する堅牢性は確立されていません。
• 16軸のチェックリストは乳がん特有のものであり、他の腫瘍種への適用には監査が必要です。
• VLMのキャプションは誤り得るものであり、構造化プロンプトはエビデンスの検査可能性を高めますが、病理学的な正確性を保証するものではありません。
• 推論コストが高く（2×A100で1枚あたり57秒）、臨床展開にはより高速なマルチステージVLM推論が必要です。

結論として、オミクスを意図にマッピングし、TF-IDFキャプションを通じて検索を行い、コサインゲートによって整合性を検証することで、堅牢で解釈可能かつ高性能なマルチタスク乳がん解析システムが可能になるとしています。