$\Delta$Representation: Geometry Supervised Representation Learning of Phenotypes via Counterfactual Reasoning for Medical VLMs

病院の放射線科の静かな喧騒の中で、ある医師がCTスキャンを研究し、健康な肺と病的な肺の間の微細な違いを探している。人間の目にとって、この作業は、特定の疾患がいかに正常な組織の外観を変化させるかを認識するための長年の訓練に依存している。近年、コンピュータは、ビジョン・ランゲージ・モデルとして知られる人工知能システムを通じて、この同じスキルを学習し始めている。これらのシステムは、医療画像を観察し、臨床テキストを読み、それが見ているものと書かれていることを結びつけるように訓練されている。その目標は、医師がスキャンを解釈し、異常を発見し、レポートを作成するのを支援できるデジタル・アシスタントを作ることである。しかし、重大な障害が依然として残っている。これらのコンピュータモデルは、疾患とは体の中に浮いている独立した物体ではなく、体の正常な構造に起きている「変化」であることを理解するのに苦労することが多いのだ。彼らは画像を一つの全体として捉えるが、病変（あるいは損傷した領域）が周囲の健康な組織と正確にどのように異なるのかを分離することに困難を感じる。この精密な理解がなければ、コンピュータは何か異常があることは特定できても、医師が必要とするような精度で、それが正確に何であり、どこにあるのかを確実に説明することはできない。

ある研究チームは、これらのコンピュータモデルに教えるための新しい方法を提案した。それは、単なる最終的な画像ではなく、「変化」という概念に焦点を当てたものである。彼らは自らのアプローチを、反事実的推論を通じた視覚的表現の学習手法と呼んでいる。簡単に言えば、病気の肺の写真をコンピュータに見せて疾患名を答えさせるのではなく、研究者たちは、その特定の箇所がもし健康であったなら、どのように見えていたかをコンピュータに想像させるよう教えているのである。システムはまず、健康な身体の各部位が空間内でどのように配置されているかについての詳細なマップを学習し、心臓が肺に対して特定の関係にあることや、血管が連続した経路を辿っていることを理解する。この正常な解剖学的構造のマップが確立された後、コンピュータは病的な領域を見て、仮説的な問いを投げかける。「もしこの箇所が正常であったなら、それはどのように見えるだろうか？」と。病的な組織の実際の画像と、この想像上の健康なバージョンを比較することで、システムは具体的な差異を算出する。この差異、すなわち「増分」としての変化こそが、疾患を特定するための鍵となる。研究者たちは、実在する画像と想像上の健康な状態との間のこの「隙間」に焦つ注視することで、コンピュータは問題がどこにあるのかを特定し、それがどのような種類の問題であるかを正確に記述する能力が格段に向上することを発見した。

この手法は、2つの明確なステップで構成されている。第一に、システムは疾患が存在しない状態での人体の幾何学を学習するトレーニングフェーズを経る。システムには何千もの健康な解剖学的構造の画像が示され、それらの構造の空間的関係が現実と一致するように、内部的な理解を配置するように教えられる。もしモデルが、右の肺に対して左の肺がどこにあるべきか、そして組織が単一の器官内でどのように連続して流れているかを理解していれば、安定した基準点を構築できる。これは極めて重要である。なぜなら、コンピュータに信頼できるベースラインを与えるからである。第二のステップでは、システムは結節や炎症領域などの病変を含む画像に遭遇する。病的な組織のパッチごとに、システムは健康な解剖学の知識を用いて、そのパッチが病気でなかった場合にどのように見えるはずかを推定する。そして、この推定された健康なバージョンを実際の病的な画像から差し引く。その結果、病的な変化のみを強調し、正常な解剖学による背景ノイズを取り除いた、明確な信号が得られる。これにより、モデルは「肺結節」が単なるランダムな形状ではなく、正常な肺組織に対する特定の種類の視覚的変化であることを学習できるのである。

このアイデアをテストするために、研究者たちは彼らの手法をいくつかの既存の医療用人工知能モデルに適用し、胸部CTスキャンを含む2つの大規模な公開データセットを用いて評価を行った。一つのデータセットには、4つの特定の肺疾患に関する詳細な注釈が付いた2,000枚以上の画像が含まれており、もう一つのデータセットには、肺結節に関する専門家の注釈が付いた数百のスキャンが含まれていた。結果は、モデルが2つの重要なタスク、すなわちスキャン上の病変の正確な位置の特定と、疾患タイプの正しい識別を行う能力において、劇的な改善を示した。例えば、あるモデルでテストした際、問題の場所を正確に特定する能力は約10パーセントから50パーパーセント以上に跳ね上がった。同様に、特定の疾患タイプを識別する精度は、いくつかのケースで3倍以上に向上した。研究者たちは、システムに病的な組織の例を多く入力するにつれて、多くの例を見た後に似たような鳥の違いを判別できるようになる学生のように、異なる種類の状態を区別する能力がより鋭くなっていくことを観察した。

また、この研究は、コンピュータがスキャンの完全な記述レポートを作成するよう求められる場合、すなわち放射線科レポート生成と呼ばれるタスクにおいても、このアプローチが有効であることを示した。これらのテストにおいて、新しい手法を備えたモデルは、その記述がより正確であるだけでなく、それらの記述を画像の正しい部分と結びつける能力も高いレポートを作成することができた。ある具体的な事例研究では、標準的なモデルはすりガラス状陰影（肺における微妙な曇り）に気づかず、スキャンは正常であると報告した。しかし、新手法を用いたモデルは、異常を正しく特定し、その質感と形状を記述し、肺の下部に位置していることを指摘した。この成功は、身体の正常なレイアウトを理解し、そのレイアウトからの逸脱を測定するようにコンピュータを教えることで、システムが疾患に対するより深く、より信頼できる理解を得られることを示唆している。研究者たちは、正常なものと異常なものを比較プロセスを通じて分離するこの学習方法は、人工知能が医療画像を解釈する方法を改善するための強力なツールを提供し、将来的に、より正確な診断と医師へのより良いサポートにつながる可能性があると結論づけた。