Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts

技術要約：電子健康記録（EHR）のためのコホート・アンカー型基盤モデル

問題提起
電子健康記録（EHR）向けの数十億パラメータを持つ基盤モデルが登場し、優れたゼロショットおよびフューショット能力を示しているにもかかわらず、ベンチマークの精度と信頼できる臨床現場への導入との間には、構造的な隔たりが存在する。現在のモデルは通常、スカラー値のリスクスコアや潜在表現を出力し、患者間の比較を主要なエビデンスではなく、創発的な副作用として扱っている。これは、以下の3つの決定的な失敗モードを生じさせる：

1. 不透明性と幻覚（Hallucination）： モデルは流暢ではあるが実質的に誤った医学的内容を出力することがあり、標準的な説明手法（例：アテンションの重み）は、既知の転帰を持つ類似のピア（仲間）のコホートと比較することに依存するという、臨床医の実際の推論プロセスに対処できていない。
2. 分布シフトに対する脆弱性： 基盤となる表現が臨床的に意味のある集団構造に固定されていないため、新しい施設、人口統計、あるいはプロトコルにモデルを適用した際、予測性能が著しく低下する。
3. 監査可能なエビデンスの欠如： 臨床医はコホート（類似した患者のグループ）を通じて推論を行うが、現在のシステムは推論の出力として「転帰を伴うコホート」を返さないため、意思決定プロセスを確立された臨床インフラに対して監査したり検証したりすることが困難である。

手法：CAFMフレームワーク
本論文は、機械学習パイプラインにおいて患者コホートを「第一級オブジェクト」へと昇格させるために設計されたフレームワークである、cafm（Cohort-Anchored Foundation Model：コホート・アンカー型基盤モデル）を提案している。既存のバックボーンを再構築するのではなく、cafmは既存のEHR基盤モデルにコホート認識能力を統合する構成的なレトロフィット（後付け）として機能し、以下の4つの連動したステージを通じて実現される：

1. 偏差認識型コホート構築（ステージ1）：
   事前学習の前に、コーパスのキュレーションを行い、2つの異なる問題、すなわち偏差（技術的エラーやドキュメンテーションのドリフトによる統計的な異常レコード）とバイアス（臨床ワークフローに起因する系統的な不整合、例えば情報的欠損など）を検出し、対処する。このステージにより、ルールベースのフェノタイプ、アンカー・アンド・ラーン法、または学習されたプロトタイプを用いてコホートが組み立てられた、精査されたデータセットが生成され、学習データが臨床的に妥当な集団を反映することを保証する。

2. コホート条件付き事前学習（ステージ2）：
   標準的なマスクまたは自己回帰的な事前学習損失に対し、複合的な対照学習（コントラスティブ）目的関数を導入する。

• 吸引（Attraction）： 類似したソフト・コホート分布を持つ患者の表現を引き寄せる。
• 反発（Repulsion / Near-Miss Negatives）： フェノタイプ（表現型）は類似しているが、転帰が異なる患者を押し離す。この「ニアミス・ネガティブ」のサンプリングは、コホートの境界を研ぎ澄ますために極めて重要である。
• 正則化： すべての患者を単一のコホートに崩壊させるのを防ぐためのエントロピー正則化を含む。
• カリキュラム学習： 本フレームワークは、バックボーン・エンコーダとコホート・モジュールの間の共同学習を安定させるために、ウォームスタート戦略と、対照学習の重みを段階的に増加させるカリキュラムを採用している。

3. マルチモーダル・コホート・アライメント（ステージ3）：
   「モダリティの汚染」（自由記述テキストなどの特定のモダリティが結合表現を支配してしまう現象）に対処するため、各モダリティ（テキスト、構造化コード、画像、生理学的信号）内で個別にコホート内類似性を強制する。これにより、各モダリティがその識別能力を維持し、支配的なモダリティに崩壊することなく、データ種別を横断したコホート構造の完全性が保たれる。

4. 臨床医によるループ内精緻化（ステージ4）：
   推論時、モデルはスカラー値を出すのではなく、ピア・コホートとその関連する転帰分布を検索して出力する。この出力は、説明、監査ユニット、およびドリフト信号として機能する。本フレームワークは以下をサポートする：

• 監査可能なエビデデンス： 臨床医は、検索されたコホートの統計量と転帰率を検査できる。
• タスクの分解： 臨床医は、リアルタイムでコホートの定義（制約の追加など）を変更でき、バックボーン全体を再実行することなく転帰分布の再計算をトリガーできる。
• ライフサイクル・モニタリング： システムは、検索されたコホート分布の変化を追跡することで、集計的なパフォーマンス指標よりも感度の高いドリフト信号を提供し、分布シフトを監視する。

主な貢献

• 構造的な再定義： 本論文は、コホート・アンカリングが、インコンテキスト学習、検索拡張生成（RAG）、または事後的な説明手法とは異なる、EHR基盤モデルにとっての構造的な前提条件であることを主張している。それは、個々の埋め込みではなく、コホートこそが臨床的エビデンスの単位であると断じている。
• CAFMフレームワーク： 完全なアーキテクチャの再設計を必要とせず、既存のバックボーン（BEHRT、Med-BERTなど）にレトロフィット可能な、具体的な4ステージの手法を提供している。
• 数学的定式化： ニアミス・ネガティブの定義や複合損失関数（式6および式9）を含む、対照学習の目的関数に関する明示的な数学的定式化を提供している。
• 経験的仮説： 本フレームワークが予測する、コホートの網羅性と較正、ニアミス・ネガティブの有効性、早期ドリフト検出、モダリティ崩壊の緩和、および高不確実性シナリオにおけるコホート・エビデンスに対する臨床医の嗜好をカバーする、5つの検証可能な仮説（H1–H5）を提示している。
• ケーススタディ： フレームワークは、急性腎障害（AKI）予測、心血管リスク層別化（ECG）、視神経症のトリアージ、およびERGに基づいたレポート生成という、4つの運用設定からなるケーススタディによって示されている。

結果と図解
本論文は、新たな最先端（SOTA）スコアを示す単一の統一された実験ベンチマークを提示するのではなく、運用環境から抽出された4つのケーススタディを通じて、フレームワークの可能性を例証している。

• AKI予測： コホート・アンカリングがいかにしてスカラー値のリスクを構造化されたエビデンス・オブジェクトへと変容させ、臨床医が検索されたコホート内の特定の要因（例：ネフロ毒性のある薬剤への曝露）をクエリできるようにするかを示している。
• 心血管リスク（ECG）： マルチモーダル・アライメントがいかにしてECG信号が構造化されたEHRデータを圧倒することを防ぎ、リスク推定を施設固有の歴史的な軌跡に接地させるかを示している。
• 視神経症トリアージ： コホート検索がいかにして、過去の紹介事例の精査されたセットを提供することで、プライマリケアの設定における信頼のギャップに対処し、トリアージの決定を支援するかを強調している。
• ERGレポート生成： レポートが単なるテキストの断片ではなく、検索された患者コホートに基づいていることを提案しており、生成を臨床的に比較可能な集団に制約することで、幻覚を低減させている。

意義と主張
本論文は、印象的なベンチマークと信頼できるベッドサイドでの使用との間の溝を埋めることを目的とした、具体的なフレームワークに裏打ちされた「パースペクティブ（展望）」を提示している。主な主張は以下の通りである：

1. 方法論的必然性： コホート・アンカリングは、基盤モデルを解釈可能にし、分布シフトに対して堅牢で、監査可能にするための最も直接的な経路である。これはパラダイムを「表現の質」から「集団に根ざしたエビデンス」へとシフトさせるものである。
2. 実用的な実現可能性： フレームワークはレトロフィットとして設計されており、全く新しいバックボーン・アーキテクチャを開発するのではなく、コホート・モジュールと検索インデックスを統合するためのエンジニアリング努力を必要とする。
3. テスト可能性： フレームワークは、具体的な検証可能な経験的仮説によって定義されている。著者らは、コホート・アンカリングの妥当性は、修辞的な訴求力ではなく、これらの仮説が前向きな評価の下で成立するかどうかによって判断されるべきであると主張している。
4. 運用の現実： 論文は、障壁は概念的なものではなく組織的なものであることを認めている。このビジョンの実現には、データのキュレーション、ガバナンス、および臨床実践の進化に伴うコホート定義の維持に対する継続的な努力が必要である。

著者らは、必要なモデリング・コンポーネントは存在するものの、臨床AIの次の進歩は、既存のモデルに、臨床推論が伝統的に依拠してきた「集団に根ざした基質（サブストレート）」を装備させることにかかっていると結論づけている。