技術要約：自然な家庭内ビデオを用いた視覚・言語による自閉症スクリーニングのための決定論的エビデンス層

1. 問題提起

自閉スペクトラム症（ASD）の診断は、専門家による社会的行動の観察に依存しており、専門知識の不足と長い待機時間がボトルネックとなっている。家庭内のビデオは、スケーラブルな行動データのソースとなり得るが、スクリーニングに使用される現在の視覚・言語モデル（VLM）は不安定性を抱えている。温度パラメータ（temperature）を0に設定しても、同一のVLMベースのスクリーニング・パイプラインを繰り返し実行すると、サービング・スタックの非決定性により、16〜37%のクリップで異なる判定結果が生じる。臨床的なスクリーニングツールには、単に平均的に正しいだけでなく、安定した正解性（stable correctness）、すなわち、すべての実行においてクリップを正しくラベル付けできる能力が求められる。さらに、既存のアプローチは、凍結されたモデルを使用すると微細な臨床的行動の検出に失敗するか、あるいは臨床家が評価したデータに対してファインチューニングを行う必要があり、それが構造化されていないプロトコルフリーの家庭内ビデオへの汎用性を制限している。

2. 手法

提案されるパイプラインはトレーニングフリーであり、知覚（perception）と意思決定（decision-making）を3つの明確なステージに分離することで、最終的な判定が保存されたエビデンス・テーブルの決定論的な関数となるように設計されている。

ステージ1：グラウンデッド知覚（凍結VLM）

凍結されたVLM（Gemini 3.1 Pro）が、高再現率の知覚フロントエンドとして機能する。このモデルは、期待バイアスを防ぐために、子供の年齢に関する知識を持たずに生の家庭内ビデオを処理する。

• グラウンデッド知覚の制約： モデルは、すべての観察事項が特定の時間間隔に関連付けられるよう、タイムスタンプ付きのイベント・テーブルを生成するようにプロンプトが与えられる。
• 行動用語集（Behavioral Glossary）： モデルは、11種類のASD関連特徴量（例：アイコンタクト、共同注意、常同行動）からなる、臨床的に整合した用語集を使用する。
• 反証（Counter-Evidence）： 通常の行動（例：反応的な笑顔）は、明示的に反証の行として記録される。
• プレス・ルール（Press Rules）： 「プローブ・ゲート型（probe-gated）」の特徴（例：名前への反応）については、特定の社会的「プレス（刺激）」（例：名前を呼ぶ）が発生し、かつ子供が反応しなかった場合にのみ、欠損としてコード化される。プレスがない状態での欠如はコード化されない。
• 出力： タイムスタンプ、観察可能な記述、用語集のラベル、および信頼レベル（確実、または可能性あり）を備えた、構造化されたイベント・テーブル。

ステージ2：テキストのみによる年齢較正

ビデオを一切見ることのないテキストのみのモデルが、イベント・テーブルと子供の年齢を受け取る。

• 消去禁止ルール（Never-Erase Rule）： このステージは、行を削除したり、信頼度を格上げしたりすることはできない。年齢相応の行動（例：2歳児の単独遊び）である場合には、信頼度を下げる（例：「確実」から「可能性あり」へ）こと、あるいは集計されたテーブルに基づいて広範な特徴（#4）を追加することのみが可能である。
• 出力： 発達規範に合わせて重みが調整された、較正済みのイベント・テーブル。

ステージ3：決定論的な証拠の重みスコアラー

固定された非学習アルゴリズムが、較正されたテーブルを決定論的にリスク・スコアへと変換する。

• スコアリング・メカニズム： 観察された特徴量の対数ポジティブ・尤度比（$\ln LR+$）の重みを合算する。
• 制約事項：
  • 社会的コミュニケーション（SC）の特徴は、飽和を防ぐために1.5 natsでキャップされる。
  • 限定的・反復的行動（RRB）の特徴は、全額が合算される。
  • 信頼度係数（$c_f$）が重みをスケールさせる（「確実」の場合は1.0、「年齢により格下げされた可能性あり」の場合は0.25）。
• 決定ルール： 合計スコア（$s$）は、2つの固定されたカットオフ値によって層別化される。
  • 低リスク： $s < 1.5$
  • 中間／高リスク（スクリーニング陽性）： $s \ge 1.5$ （高リスクは $1.8 \ge$）
• 監査可能性（Auditability）： すべての決定は、特徴ごとの寄与分に分解されるため、モデルを呼び出すことなく再スコアリングが可能である。

3. 主な貢献

1. 監査可能でトレーニングフリーなアーキテクチャ： 本システムは、グラウンデッドな観察と決定論的なエビデンスに基づく意思決定を分離している。バックボーンや決定層をファインチューニングすることなく、構造化されたイベント・テーブルと固定スコアラーを用いることで、高いパフォーマンスを実現している。
2. グラウンデッド知覚の制約： テンポラル・グラウンディング（時間的接地）、明示的な反証の記録、および社会的欠損に対する「プレス」のルールを強制することにより、制約のないVLMプロンプティングと比較して、特異度とF1スコアを大幅に向上させている。
3. 安定した正解性フレームワーク： 本論文では、臨床ツールにとって「安定した正解性（stable correctness）」（同一の実行において、すべての回で正しくラベル付けされる割合）を重要な指標として導入している。提案されたパイプラインは、決定ルールを確率的なサービング・スタックから切り離すことで、74.4%の安定した正解性を達成し、ゼロショット・ベースラインの60.5%を大きく上回った。

4. 実験結果

本パイプラインは、未就学児（26〜48ヶ月）の43個のケアラー記録によるプロトコルフリーの家庭内ビデオ・クリップ（ASD 12個、定型発達(TD) 31個）を用いて評価された。

• パフォーマンス指標（フル・パイプライン）：
  • AUC: $0.851 \pm 0.012$
  • 精度（Accuracy）: $86.0\%$
  • 特異度（Specificity）: $94.6\%$
  • 再現率（Recall）: $63.9\%$
  • F1スコア: $71.8$
• 安定性： 3回の実行にわたり、フル・パイプラインは**74.4%**のクリップをすべての実行において正しくラベル付けしたが、ゼロショット・ベースラインは60.5%であった。
• 偽陽性： すべての実行において、定型発達（TD）のクリップがフラグ立てされることはなかった（0/31）。一方、ゼロショット・ベースラインでは、9/31のTDクリップがすべての実行においてフラグ立てされた。
• アブレーション研究：
  • 単一呼び出しのVLMから2段階分割へ移行することで、精度は69.0%から77.5%へと向上した（特異度による向上）。
  • グラウンデッド知覚の制約を追加することで、精度はさらに81.4%に向上した。
  • LLMによる判定を決定論的スコアラーに置き換えることで、最終的な精度86.0%とF1スコア71.8に到達した。
• 失敗分析： システムは、すべての実行において3つのASDクリップを見逃した。これらのクリップはイベント・テーブルがほぼ空の状態であり、ボトルネックは決定ロジックではなく、初期の知覚（ステージ1）にあることを示している。

5. 意義と主張

本論文は、**「安定性は臨床的有用性の前提条件である」**と主張している。同一の実行間で判定が変動するスクリーニング決定は、実行可能な臨床ツールとはなり得ない。決定ロジックを確率的なモデルから、保存可能で監査可能なイベント・テーブルに基づく決定論的な算術レイヤーへと移行することで、システムは以下を実現している：

• 再現性： 決定は、VLMを再実行することなく、再スコアリングおよび検証が可能である。
• 透明性： すべての「スクリーニング陽性」の判定は、特定のタイムスタンプ付きの行動イベントと反証に遡ることができる。
• 調整可能性： 保存されたテーブル上のカットオフ閾値を変更することで、動作点（再現率 vs 特異度）を調整でき、再学習なしに「ルールイン（確定）」または「ルールアウト（除外）」のシナリオに合わせてチューニングが可能である。

著者らは、サンプルサイズ（43クリップ）の小ささ、単一サイトのデータであること、および現在の再現率の天井（75%）が、構造化されていない家庭内ビデオにおける微細な欠損を検出する知覚ステージの能力によって制限されているという限界を認めている。本研究は、このパイプラインを、専門家による確定診断を待つ家族のためのトリアージ（優先順位付け）ステップとして位置づけている。