技術要約：適応型LLM提案による有害妊娠アウトカムの因果モデリング

問題提起

信頼できる臨床推論には堅牢な因果モデルが必要であるが、産科のような複雑な領域では、そのようなモデルは極めて稀である。早産、妊娠糖尿病、子癇前症といった有害妊娠アウトカム（APO）のモデリングは、多様なリスク因子（人口統計学的特性、家族歴、ライフスタイル）の相互作用や、全体的な因果ダイナミクスに関する現在の医学文献の不完全性により、特に困難である。

既存のアプローチには以下のような重大な限界がある：

• データ駆動型手法（例：PC, FCI, GES）は、高品質な産科データの不足、ノイズの存在、および考え得るグラフ構造の超指数関数的な増加に苦慮する。これらは、データが乏しい環境において妥当な構造を復元できないことが多い。
• **大規模言語モデル（LLM）**は、膨大な学習コーパスから幅広い事前知識を有しているが、真の因果推論能力を欠いている。これらは相関と因果を混同しやすく、実行ごとに一貫性のない出力を生成し、プロンプトに対して非常に敏感であるため、ワンショットのグラフ生成は不安定である。
• ハイブリッド理論精緻化法は、初期の仮説を局所的な編集によって精緻化するが、初期値に敏感であり、初期仮説が不適切な場合には局所最適解に陥りやすい。

手法：CLARAフレームワーク

著者らは、LLMを適応的な提案分布として扱うニューロシンボリック・フレームワークであるCLARA（Causal Learning via Adaptive Resampling and Aggregation）を提案する。MIMIC（Mutual-Information-Maximizing Input Clustering）確率的最適化アルゴリズムに着想を得たCLARAは、**生成・評価・更新（Generate-Evaluate-Update）**のループを通じて、LLMのサンプリング分布をデータによって検証された因果グラフへと反復的に形成する。

CLARAのループ

1. サンプリング（生成）：

   • フレームワークは、事前学習済みLLMに対して、$K$個の候補となる因果仮説のバッチを生成させる。
   • LLMには、変数のリスト、それらの説明、および専門知識（「禁止されたエッジ」という制約）がプロンプトとして与えられる。
   • 非巡回性または禁止されたエッジの制約に違反するグラフは破棄され、再サンプリングされる。

2. 評価：

   • 各候補グラフは、Tree BIC（ベイズ情報量基準）スコアを用いて経験的データに対してスコアリングされる。
   • 標準的なBICは、親の構成に基づく複雑さにペナルティを課すため（しばしば過度に疎なグラフを導く）、標準的なBICとは異なる。Tree BICは、局所的な条件付き分布を決定木として表現する。これにより、コンテキスト依存の独立性（CSI）を考慮し、記述長を大幅に減少させない親の構成を統合することで、構造の複雑さに対してより微細なペナルティを与える。
   • グラフはTree BICスコアによってランク付けされ、履歴セット $H$ に保存される。

3. 更新（適応型再サンプリング）：

   • 履歴セットから得られたスコアの高い上位-$K$個のグラフが、インコンテキスト表現 $C$ を構築するために使用される。
   • この表現は、以下の2つの形式をとることができる：
     • フルグラフ： 上位スコアのグラフの隣接リスト。
     • 共通のエッジ： すべての上位-$K$個のグラフに存在するエッジのみを含む圧縮された表現。
   • LLMには、この更新されたコンテキスト $C$ を用いて再度プロンプトが与えられ、これにより、LLMの事前知識と経験的データの両方によって支持される高信頼度の構造へと、サンプリング分布を効果的に絞り込む。

4. 集約：

   • $T$ 回のイテレーション後、履歴セット内のトップ候補が集約（和集合による）され、最終的な因果グラフを形成する。集約中に導入されたサイクルは、出現頻度が最も低いエッジを削除することで解消される。

主な貢献

1. ニューロシンボリック・フレームワーク： LLMからの近似的な知識、不完全な専門家による制約、および小規模な経験的データを統合して、妥当な因果仮説を生成するCLARAを導入した。
2. 経験的有効性： APOに関する実世界の臨床データセット（nuMoM2b）を用いた本手法の成功を実証した。フレームワークは、専門家によって検証されたすべてのエッジを復元し、さらに専門家がリストアップしていなかった追加の妥当な因果関係を特定した。
3. 効率性の分析： フルグラフ表現を「共通のエッジ」の要約に置き換える検討を行い、性能を損なうことなくプロンプトサイズを大幅に削減できることを示した。

実験結果

著者らは、合成データであるALARMベンチマーク（37ノード、3,000サンプル、20%のノイズ）と、実世界のnuMoM2bデータセット（9つのリスク因子、4つのアウトカム、3,856例）の2つのデータセットでCLARAを評価した。

パフォーマンス指標

主要な指標は、介入による予測分布の誤差を測定する**構造的介入距離（SID）**であり、これに加えて構造ハミング距離（SHD）、再現率（Recall）、適合率（Precision）を用いた。

• ベースラインとの比較： CLARAは、純粋なデータ駆動型手法（PC, FCI）、ワンショットLLM生成、およびLLM初期化型の理論精緻化手法を上回った。
  • ALARMデータセットにおいて、CLARAは最も低いSIDを達成し、ワンショットLLM生成と比較して32%、データ駆動型発見と比較して55%向上した。
  • nuMoM2bデータセットにおいて、CLARAは0.0のSIDを達成し、専門家が構築したグラフの介入予測と完全に一致した。一方、他の手法（理論精緻化を含む）は著しく高い誤差を示した。
• 堅牢性： CLARAは、データサイズやノイズレベル（最大60%のノイズ）が変化しても、低く安定したSIDを維持した。これに対し、データ駆動型手法（PC, FCI）は、ノイズが増加するかデータが減少するにつれて著しく劣化した。
• 効率性： 「共通のエッジ」バリアントは、フルグラフバリアントの性能を10%以内の差に抑えつつ、プロンプトのトークン数を約3分の1に削減した。

臨床的検証

産科領域において、CLARAは31個の専門家検証済み因果エッジをすべて復元した。また、30個の追加エッジを提案し、臨床専門家によるレビューが行われた：

• **26個のエッジ（87%）**は、確立された医学的知識であると判定された。
• **4個のエッジ（13%）**は、PCOS $\to$ 早産や、妊娠糖尿病 $\to$ 新規高血圧といった関係を含む、妥当なものと判定された。
• フレームワークは、リスク因子間の因果関係（例：人種 $\to$ BMI）や、APO間の連続的な合併症のカスケードを正常に特定した。

意義と主張

本論文は、CLARAがLLMの広範で確率的な事前知識と、臨床現場で求められる経験的な厳密さとの間の溝を効果的に埋めるものであると主張している。因果発見を、単なるワンショットの生成や強欲な局所探索ではなく、反復的な最適化ループとして捉えることで、CLARAはLLMの信頼性の低さとデータ不足の限界を緩和している。

著者らは、本手法が、純粋なデータ駆動型アプローチが失敗する複雑でデータが乏しい医療領域において、因果発見への実行可能な道筋を提供すると断言している。このフレームワークは、既知の医学的制約を遵守しながら、ターゲットを絞った介入のための新しい洞察を見出すために、LLMの生成を高信頼度の仮説空間へと「誘導」するメカニズムを提供する。

著者らが示唆する今後の課題には、より表現力豊かな制約（例：定性的影響表明）の組み込み、高次元領域のためのアルゴリズムの階層化、および因果仮説生成をさらに特化させるための基盤モデルのファインチューニング戦略の探索が含まれる。