Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

技術要約：Timesynth：ヘルス信号デジタルツインのための時間的忠実度フレームワーク

問題提起
患者固有の計算システムであるヘルス信号デジタルツインの開発は、生理学的時系列の予測モデルに依存している。しかし、現在の評価手法は、**予測精度（forecasting accuracy）と生理学的忠実度（physiological fidelity）**の間の根本的な乖離に苦しんでいる。平均二乗誤差（MSE）や平均絶対誤差（MAE）といった標準的な点別指標は、数値的な一致を定量化するが、振動構造、周波数成分、位相関係、および状態遷移を含む重要な動態特性の喪失を検出することはできない。

著者らは、この限界が、モデルが基礎となる生理学的プロセスを劇的に異なる方法で表現している可能性があるにもかかわらず、点別誤差が同等に見える「盲点」を生み出していると主張している。例えば、あるモデルは信号の振幅を正確に再現しながらも、位相や周波数において大きくドリフトしてしまう可能性がある。実際の臨床記録には、振幅、周波数、位相に関する解析的に既知のグラウンドトゥルース（正解）の軌跡が存在しないため、現実世界のデータにおいてこれらの特定の誤差モードを分離することは不可能である。その結果、モデルは標準的なベンチマークでは信頼できるように見えても、不整脈検出や睡眠段階判定のような臨床応用において不可欠なタイミングやリズムの保持に失敗する場合がある。

手法：TimeSynthフレームワーク
これに対処するため、著者らは、モデルを患者データに結合する前に、予測アーキテクチャの動態的忠実度を評価するために設計された制御されたベンチマークフレームワークであるTimeSynthを導入する。本フレームワークは、主に2つのコンポーネントで構成される：

1. 生理学に基づいた合成ジェネレーター：

   • 任意の合成データを使用するのではなく、本フレームワークは、3つの公開データセット（MIT-BIH Arrhythmia (ECG)、PPG-DaLiA (PPG/BVP)、CHB-MIT Scalp EEG (EEG)）からの実際の記録に対して、閉形式のパラメトリックモデルを適合させる。
   • これらのパラメトリックモデル（Drift-Harmonic、Single Phase-Modulated、Dual Phase-Modulated）は、すべての時点における振幅、瞬時周波数、および瞬時位相の解析的に既知のグラウンドトゥルースを持つ合成時系列を生成する。
   • ジェネレーターは、モデルのストレスをテストするために、加法的ガウスノイズ、周波数分布のシフト、決定論的な状態遷移、および確率的マルコフ・スイッチングによる制御された摂動をサポートしている。

2. 忠実度診断（Fidelity Diagnostics）：

   • 累積的な誤差のみに依存するのではなく、TimeSynthは、振幅、周波数、位相、および状態遷移の保存という4つの次元の忠実度を定量化するために、個別の診断を採用する。
   • 位相誤差は解析信号（ヒルベルト変換）を介して計算され、周波数誤差はパワースペクトルのピーク精緻化から導出される。状態遷移の忠実度は、対称Kullback-Leibler（KL）ダイバージェンスを用いて、スイッチング統計の回復を測定するための、標準化された2状態ガウス隠れマルコフモデル（HMM）プローブを使用して評価される。

実験設定
本フレームワークは、4つの誘導バイアス・ファミリーにわたる11の予測アーキテクチャを評価するために使用された：

• 線形（Linear）： Linear, DLinear, FITS.
• MLPベース： MLinear, NBeats, FreMLP.
• 畳み込み／パッチベース： MICN (RegreおよびMeanバリアント), ModernTCN, PatchTST.
• フルシーケンス・アテンション： Transformer, Autoformer.

モデルは、クリーンな再構成、ノイズ汚染、周波数分布シフト、決定論的な状態遷移、および確率的マルコフ・スイッチングの5つのパラダイムにわたってテストされた。

主な結果
本研究は、点別精度と動態的忠実度の間の系統的な解離を明らかにしている：

• 点別指標は誤解を招く： 同等のMAEを示したモデルであっても、位相誤差は最大で53°（1.2 Hzの心拍リズムにおいて約123 ms）の差が生じた。線形モデルおよびフルシーケンス・アテンション・モデルは、しばしば低いMAEを達成する一方で、大幅な位相および周波数の情報を喪失していた。
• 局所性が忠実度を保持する： 局所的な時間処理（PatchTST, MICN, ModernTCN）を備えたアーキテクチャは、ノイズや分布シフトの下でも一貫して振動構造、位相、および周波数を保持した。対照的に、グローバルなマッピングおよびフルシーケンス・アテンション・モデル（Transformer, Autoformer）は、特にマルチ周波数変調において頻繁に劣化が見られた。
• 適応速度： 決定論的な状態遷移において、局所化されたモデル（PatchTSTおよびModernTCN）は6タイムステップ（10 Hzで約0.6秒）以内に新しい状態に適応したが、フルシーケンス・アテンション・モデルは、グローバル・アテンションがコンテキスト全体に遷移の証拠を拡散させてしまうため、回復に約40タイムステップ（約4秒）を要した。
• 確率的スイッチングの限界： どのアーキテクチャも、確率的スイッチングの動態を確実に保持することはできなかった。PatchTSTは高確率のスイッチング領域において部分的な回復を示したが、決定論的な点予測器は一般に、グラウンドトゥルースの遷移統計を再現することに失敗しており、これは現在の決定論的手法における根本的な限界を示唆している。
• パレート分析： PatchTSTは、5つの評価次元（クリーン、ノイズ、シフト、遷移、およびマルコフ忠実度）すべてにおいて正規化スコア0.8を超える唯一のモデルであり、最もバランスの取れた性能を示した。

意義と主張
本論文は、TimeSynthを単なる「最良のモデル」を見つけるためのツールとしてではなく、原則に基づいた、ユースケース駆動型のフレームワークとして位置づけている。著者らは次のように主張している：

1. 検証のギャップ： 現在のデジタルツイン開発には、予測が生理学的に意味のある挙動を保持していることを検証するためのフレームワークが欠けている。TimeSynthは、検証、妥当性確認、および不確実性定量化（VVUQ）に関する米国科学・工学・医学アカデミー（NASEM）の要件を満たすための「制御された前臨床ストレス・テスト」を提供する。
2. アーキテクチャの決定論： 忠実度の主要な決定要因はアーキテクチャである。モデルの選択は、普遍的な勝者の探索ではなく、特定のユースケースで求められる特定の動態的特性（例：携帯型モニタリングのためのノイズ耐性 vs ICUの状態変化への迅速な適応）によって駆動されるべきである。
3. 開発インフラストラクチャ： TimeSynthは、忠実度を考慮した開発のための再利用可能なインフラを提供し、制御されたグラウンドトゥルース信号の事前学習生成を可能にし、アーキテクチャがどの動態的特性を保持し、あるいは破壊するかを特定するための解釈可能な診断を提供する。

著者らは、局所的な時間処理（具体的にはPatchTST）が現在、ヘルス信号デジタルツインのための最強の候補を提供している一方で、どの現在のアーキテクチャも確率的スイッチングを確実に捉えることができない事実は、明示的な潜在状態または確率的メカニズムを持つ将来のモデルの必要性を示していると結論づけている。