Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

技術要約：インターベンショナル・フロー・マッチング (IFM)

問題提起
本論文は、グルコース管理における**前向きな介入予測（prospective interventional forecasting）**の課題に取り組んでいる。将来の入力が観測されている標準的な時系列外挿とは異なり、治療計画では、計画されたインスリンおよび炭水化物の入力シーケンス（$U^{int}_{1:H}$）の下での患者の生理学的軌跡を予測する必要がある。

核心となる困難は、**交絡（confounding）**にある。観測データにおいては、将来のドライバー（インスリンや食事）は、現在の状態と結びついた臨床ポリシーや患者の行動によって決定される。純粋な予測モデルは、真の生理学的因果効果ではなく、偽の相関関係（例：インスリン投与が血糖値の上昇と関連付けられる。なぜなら、インスリンは血糖値が高いときによく投与されるため）を学習してしまう可能性がある。その結果、観測された軌跡に対する精度が高くても、計画された介入に対する正しい応答を保証するとは限らない。目標は、厳格なメカニズム方程式に依存することなく、生理学的制約を遵守した介入分布 $p(G_{1:H} | X_{1:L}, do(U_{1:H} = U^{int}_{1:H}))$ を学習することである。

手法：インターベンショナル・フロー・マッチング (IFM)
IFMは、患者の履歴と計画された将来のドライバーに条件付けられたフロー・マッチング速度場（velocity field）を用いる連続時間生成フレームワークである。そのアーキテクチャは、主に以下の3つのコンポーネントで構成される。

1. 入力処理と潜在表現:

   • 履歴エンコーディング: 残差Mambaエンコーダが、観測された患者の履歴（$X_{1:L}$）を要約する。
   • ドライバーの平滑化: 計画されたインスリンおよび炭水化物入力は、学習された薬物動態学（PK）スムーザーを通過し、遅延および分散した生理学的効果をモデル化することで、疎なインパルスを実効的な平滑化ドライバー（$D_{1:H}$）へと変換される。
   • 潜在空間: グルコースはシグモイド変換を介して非有界な潜在空間 $z$ にマッピングされる。これにより、フローのダイナミクスは境界制約なしに動作でき、デコードされた予測は生理学的限界（$[g_{min}, g_{max}]$）内に留まる。

2. 条件付き速度ネットワーク:

   • モデルは、連続的なフロー時間 $\tau$ にわたって潜在的なグルコースを輸送するスカラー速度場 $v_\theta$ を使用する。
   • ネットワークは、再帰的状態（履歴）および平滑化されたドライバーによって、AdaLN (Adaptive Layer Normalization) を通じて条件付けられる。これにより、計画されたドライバーが局所的な輸送ダイナミクスを直接変調することが可能になる。
   • 推論は自己回帰的なロールアウト（autoregressive rollout）によって進行する。すなわち、速度場が次の潜在状態を予測し、それが次の物理的時間ステップのための再帰的状態を更新する。

3. 速度場のヤコビアン正則化（中核となる革新）:

   • 厳格な常微分方程式（ODE）の制約を課したり、コストの高いロールアウトベースのランキング損失を使用したりする代わりに、IFMは速度場の瞬時的な速度に対してソルバーフリーの正則化を課す。
   • モデルは、平滑化されたドライバーに関する速度場のヤコビアンを計算する。
   • これらの局所的な感度が、符号付きかつ用量限定された生理学的範囲内に収まるように、ペナルティ項（$L_{jac}$）が適用される：
     • インスリン感受性は負でなければならない（グルコースを下げる）。
     • 炭水化物感受性は正でなければならない（グルコースを上げる）。
     • 大きさは妥当な範囲内に留まらなければならない（例：ゼロの感度や極端な値を避ける）。
   • このペナルティは、サンプリングされたフロー状態における速度場に対して点ごとに適用されるため、完全なマルチステップ・ロールアウトの微分に伴う計算コストを回避できる。

主な貢献

1. 生理学的に妥当な介入応答: IFMは、ヤコビアン・ペナルティを通じて局所的な速度場を正則化することにより、モデルが（単なる観測軌跡への適合ではなく）正しい介入セマンティクス（インスリンは下げ、炭水化物は上げる）を学習することを強制する。
2. メカニズム的ODEを用いない制約: ハンド指定された微分方程式や潜在コンパートメントを必要とするハイブリッドモデルとは異なり、IFMはヤコビアン・ペナルティを通じて弱いが信頼できる方向性の事前知識を利用する。これは、完全なメカニズム的足場に対する軽量な代替案となる。
3. シミュレーションフリーの正則化: 介入ペナルティは速度場の微分に直接適用されるため、完全な軌跡シミュレーションを必要とする因果的ランキング目的関数と比較して計算効率が高い。
4. 精度と介入のトレードオフの改善: 本フレームワークは、観測されたドライバーの予測精度と、介入の妥当性の間で優れたバランスを実現している。

実験結果
本手法は、100人の仮想被験者を含むシミュレートされたType 1糖尿病コホート（UVA/Padovaシミュレータ）を用いて評価された。

• 指標: パフォーマンスは、観測されたドライバーのRMSEおよび介入応答指標（感度大きさ $S_{ins}, S_{carb}$、厳密な方向性一致 $D_{strict}$、および厳密なランキング一致 $R_{strict}$）によって測定された。
• 知見:
  • IFMは、観測精度と介入の妥当性の間で最も強力なバランスを実現した。
  • LSTMやTCNのようなベースラインは、低いRMSEを達成したが、生理学的に正しい介入応答（例：弱い、あるいは逆転した感度）を生み出すことに失敗した。
  • メカニズム的/ハイブリッドなベースライン（例：Hovorka, BNODE）は、混合した結果を示した。一部は高いランキング一致性を示したが、インスリン感受性が弱い、あるいはその逆といった結果となった。
  • アブレーション解析: ヤコビアン・ペナルティを除去した場合（$\lambda_{jac}=0$）、RMSEは最高となったが、介入の妥当性は壊滅的に崩壊した（$D_{strict} \approx 0.48, R_{strict} \approx 0.00$）。これは、観測的な正確さが因果的な正しさ（causal correctness）を意味しないことを裏付けている。
  • 忠実度: 自己回帰的な誤差の蓄積を制御するために、ヤコビアン正則化の利点を損なうことなく、軽量なサブサンプリング・フィデリティ損失が必要であった。

意義と主張
本論文は、IFMが、単なる軌跡の正確さではなく、妥当な応答の大きさ、正しい応答の方向、および一貫した用量ランキングの予測を主目的とする前向きな用量反応予測のための堅牢なフレームワークを提供すると主張している。

著者らは、未観測の交絡因子（ストレス、活動、吸収の変動性）が存在するため、正確な介入軌跡の精度を達成することはしばしば不可能であると強調している。したがって、「最も防御可能な介入に関する主張」は、モデルが計画された治療に対する応答の方向と相対的な大きさを予測できる能力である。IFMは、グルコースのダイナミクスの学習（エンコーダとフローモデルによる）と、介入セマンティクスの制御（ヤコビアン・ペナルティによる）を分離することでこれを達成し、完全なメカニズム的シミュレータを必要とせずに、モデルが生理学的事前知識を遵守することを保証する。本研究は、信頼できる方向性の事前知識が利用可能な場合、局所的な応答レベルの正則化が、学習されたロールアウト予測に対する有効な補完策となり得ることを示唆している。