あなたは、動物園でさまざまな種類の動物を認識するようにロボットを教えようとしていると想像してください。もしその動物園に1,000頭のライオンがいて、わずか5頭のトラしかいない場合、ロボットはライオンを見つけるのが非常に得意になりますが、トラがどのような見た目だったかを忘れてしまうか、あるいはさらに悪いことに、ネコ科の動物はすべてライオンだと判断してしまうかもしれません。これは、医療AIの世界における「クラス不均衡（class imbalance）」と呼ばれる一般的な問題です。医師は一般的な疾患については膨大なデータを持っていますが、稀な、あるいは深刻な疾患についてはデータが非常に少ないのです。AIモデルがこのような偏ったデータで学習させられると、一般的なものに偏り、稀で重要なケースを見逃してしまうようになります。これを解決するために、科学者たちは通常、ロボットに珍しい動物の写真をより多く見せる（リサンプリング）、あるいは学習中にそれらに特別な注意を払うよう指示する（リウェイト）という方法を試みます。しかし、落とし穴があります。これらの手法は、単にロボットに持っている数少ない珍しい動物の写真をもっと熱心に見せているだけであり、珍しい動物が一般的なものから明確に際立つための「スペース」を、ロボットの脳内に実際に与えるまでには至らないことが多いのです。

ここで、Zhiyuan Zhu氏とそのチームによる、**再帰的対照学習（Recurrent Contrastive Learning: RCL）**という巧妙なアイデアが登場します。カードの束をシャッフルしたり、珍しいものに対して大きな声で叫んだりする代わりに、彼らは、珍しい疾患がAIの精神の中でその領域を拡大させるのを助ける「メモリバッファ」を構築することにしました。これは、賑やかなダンスフロアを想像してみてください。人気のある生徒たち（一般的な疾患）がすべてのスペースを占拠しています。すると、珍しい生徒たち（珍しい疾患）は、隅っこの小さな場所に押し込められてしまいます。研究者たちの解決策は、以前の練習セッションからの「ゴーストダンサー」――つまり、珍しい生徒たちの古い動きのバージョン――を彼らの周りに立たせて、保護的なバブル（泡）を作ることです。このバブルが人気のある生徒たちを押し退け、珍しい疾患が正しく認識されるために必要なスペースを与えるのです。チームはこの手法を、頸動脈超音波スキャン、糖尿病網膜症の画像、膝のX線を含む3つの異なる医療データセットでテストし、彼らの手法が従来の技術よりも一貫して珍しい条件を特定するのに役立つことを明らかにしました。

問題点：医療AIにおける「人気者の影響」

医療画像の世界では、すべての疾患が平等に存在するわけではありません。風邪や軽い皮膚の発疹のように、頻繁に起こるものもあります。一方で、特定の遺伝性疾患やがんの特定の段階のように、はるかに頻度が低いものもあります。AIにこれらの診断を学習させることは、1,000例の風邪の例は見せてもらうが、珍しい疾患についてはわずか5例しか見せてもらえない学生に教えているようなものです。当然、学生（AI）は風邪のエキスパートになりますが、珍しい疾患を見たときに混乱してしまいます。また、珍しい疾患が自分自身の存在を確立するための十分なスペースがAIの「精神」の中にないため、それを一般的な疾患と間違えてしまうことさえあります。

論文では、既存の解決策は、珍しい疾患の例をより多く見せる（リサンプリング）、あるいはその数少ない例に「より注意を払う」ようにAIに指示する（リウェイト）ことで、これを修正しようとしていると指摘しています。これらの手法は多少の助けにはなりますが、根本的な問題は解決していません。すなわち、珍しい疾患は依然としてAIの特徴空間内の、狭く混み合った隅に押し込められているのです。それらは非常にコンパクトであるため、一般的な疾患が容易にその領域を「侵食」してしまい、誤診につながります。

解決策：タイムトラベルする幽霊と保護的なバブル

著者らは、**再帰的対照学習（RCL）**と呼ばれる新しい戦略を提案しています。これがどのように機能するかを理解するために、AIの学習プロセスを時間の経過に伴う一連のトレーニングセッションと考えてみてください。

1. タイムトラベルするメモリ（時間的メモリキュー）
通常、AIは現在のトレーニングバッチで見ている例しか記憶しません。RCLは、**時間的メモリキュー（Temporal Memory Queue: TMQ）**と呼ばれる特別な「タイムマシン」を導入します。このキューは現在の画像を保持するだけでなく、以前のトレーニングセッションからの「特徴状態」（画像のAIによる理解）を保存します。これは、先週、先月、そしてそれ以降にAIが何を学んだかについての日記をつけているようなものです。これにより、AIは最近新しい例を多く見ていなくても、過去に珍しい疾患をどのように理解していたかを振り返ることができます。

2. ゴーストダンサー（時間的アンカー）
ここに魔法のトリックがあります。AIが珍しい疾患（テイルクラス）について学習しようとしているとき、AIはタイムトラベルする日記を調べます。そして、以前のセッションにおけるその珍しい疾患の古い特徴表現である「ゴーストダンサー」を取り出します。これらのゴーストは、**時間的アンカー（Temporal Anchor: TAR）**を作成するために使用されます。

珍しい疾患が広大な海に浮かぶ小さな島であると想像してください。近くには巨大な大陸である一般的な疾患があります。助けがなければ、海の波（一般的な疾患の特徴）が島に押し寄せ、区別を困難にします。TARは、島の周囲に配置された一連のブイや保護障壁として機能します。これらのブイは、過去のその島の「ゴースト」バージョンで作られています。これらのブイを珍しい疾患の周囲に配置することで、AIは効果的に島の領土を拡大させます。それは、一般的な疾患を押し退ける「緩衝地帯」を作り出し、珍しい疾患が独自の明確なスペースを持つことを保証します。

3. 再帰的なループ
このプロセスは「再帰的」であり、つまり何度も繰り返されます。AIが学習を進めるにつれて、新しい情報でメモリキューを更新し続けますが、同時に古いアンカーも保持し続けます。これにより、珍しい疾患の周囲に成長し、拡大していくフィールドが形成され、それらがより強固になり、一般的なものから分離しやすくなります。

研究結果：より鮮明なイメージ

チームはこの手法を、3つの実世界の医療データセットでテストしました。

• 頸動脈超関像： プラークを確認するための頸部の血管の画像（3,404枚）。
• 糖尿病網膜症： 視力低下を確認するための目の画像（3,662枚）。
• 膝変形性関節症： 膝の関節炎の重症度を判定するためのX線写真（8,260枚）。

これらすべてのケースにおいて、RCL手法は既存の最良の手法に対して一貫した改善を示しました。

• 頸動脈データセットでは、この新手法はバランス精度（Balanced Accuracy）で**87.10%**を達成し、従来の最高値を上回りました。
• 膝のデータセットでは、特別なメモリのトリックを使用しない基本のAIモデルと比較して、バランス精度を**9.09%**向上させました。
• 目のデータセットでは、この手法は二次加重カッパ（Quadratic Weighted Kappa）スコアで0.92を達成しました。これは、人間の専門家との極めて高い一致を示す非常に高いスコアです。

研究者たちはまた、t-SNE（異なるものがどれくらい近いか、あるいは遠いかを示すマップのようなもの）と呼ばれる手法を用いて、AIの脳内で何が起きているかを可視化しました。彼らは、彼らの手法がない場合、珍しい疾患が小さく混み合った点として押し込められているのを見ました。RCLを用いると、珍しい疾患は、一般的な疾患との間に明確な「緩衝地帯」を持つ、より大きく明確に定義された領域へと拡大していました。「ゴーストダンサー」（アンカー）は、一般的な疾患が珍しい疾患を押し出さないようにするための、保護的なフィールドをうまく作り出していたのです。

なぜこれが重要なのか

この論文は、珍しい疾患に対して単により多くのデータを必要とするのではなく、すでに持っているデータをより賢く使う方法が必要であることを示唆しています。AI自身の履歴を使用して珍しい疾患の周囲に保護フィールドを構築することで、医療AIをより公平で正確なものにすることができます。これは、現実世界において、珍しいが深刻な疾患を見逃すことが命に関わる可能性があるため、非常に重要です。著者らは、彼らの手法はうまく機能しているものの、現在は設定（保持する「ゴースト」の数など）に手動での調整が必要であると述べています。今後の研究では、このプロセスを自動化することを目指します。しかし現時点では、この「タイムトラベルするメモリ」というアプローチは、最も珍しい患者がAIドクターから受けるべき注目を確実に受けられるようにするための、有望な新しい方法を提供しています。