A Safety Envelope for Foundation-Model Dental Diagnosis: Bounded-Deviation Guarantees and Cross-Center Refusal

技術要約：歯科診断のためのセーフティ・エンベロープ（安全包絡線）

問題提起
歯科放射線画像向けの基盤モデルは高い診断精度を達成している一方で、臨床展開に求められる信頼性の特性を欠いている。具体的には、これらのモデルはしばしば「誤った較正（報告された確信度と経験的な頻度が一致しない状態）」、「新たな環境への再デプロイ時におけるサイレントな性能劣化」、および「未知の入力（分布外：OOD）に対して予測を棄却できない性質」に直面する。現在のシステムは精度指標に焦点を当てているが、偏差の境界保証や原則に基づいた拒絶メカニズムを提供できておらず、高いパフォーマンスと臨床的な安全性との間に乖離を生じさせている。

手法
著者らは、バックボーンの再学習を必要とせず、既存の凍結された基盤エンコーダーをラップする、バックボーンに依存しない「セーフティ・エンベロープ（安全包絡線）」を提案している。このシステムはパノラマエックス線写真からの歯レベルのクロップ（切り出し画像）に対して動作し、以下の3つの統合されたコンポーネントで構成される：

1. 較正されたベースライン（Calibrated Baseline）： 凍結された埋め込み表現（embeddings）に対して温度スケーリングされた線形プローブを適合させ、信頼できる較正済みのベースライン予測を確立する。
2. 有界偏差セーフティ・エンベロープ（Bounded-Deviation Safety Envelope）： 薄い残差ヘッド（residual head）が、ベースラインのロジットに対して条件ごとの補正を加える。この補正は、対称的な境界 $\delta$ によって**ハードクリップ（強制的な切り詰め）**される。この構造的制約により、最終的な予測は信頼できるベースラインから最大 $\delta$ だけしか逸脱せず、残差ヘッドがゼロであればベースラインと完全に一致する。これにより、サイレントな性能劣化に対する、最悪のケースを想定した証明可能な保証を提供する。
3. 分布外（OOD）拒絶ゲート（Out-of-Distribution Refusal Gate）： 入力埋め込み表現の訓練分布からのマハラノビス距離に基づくOOD検出器。特定のイン・ディストリビューション（分布内）拒絶率（例：5%）に合わせて調整された閾値を超える入力は、予測を割り当てるのではなく、臨床医に委ねられる。

本手法は軽量に設計されており、凍結されたエンコーダーの上に、小さなヘッドの訓練と単一の距離計算のみを必要とする。

主な貢献
本論文は、主に4つの貢献を述べている：

• (C1) 有界偏差の保証： 較正されたベースラインからの偏差に $\delta$ のハードクリップを課すことで、証明可能な境界を強制する残差エンベロープ・ヘッド。これは、最悪の場合でも正確な回復を保証する（命題1）。
• (C2) OOD拒絶メカニズム： マハラノビス距離を用いた埋め込み空間ゲートであり、特定のイン・ディストリビューション拒絶率に基づいて、未知の入力に対して棄却を行う。
• (C3) 誤った較正の実証的証拠： 「分類器ズー（classifier zoo）」（3つのアーキテクチャ）とマルチラベル・ヘッドのアブレーションを通じて、精度の高い歯科分類器が系統的に誤った較正（miscalibrated）されていることを示し、事後的なセーフティ・レイヤーの必要性を動機づけた。
• (C4) センター間検証： 実際に異なる臨床データベース（Tufts Dental Database）を用いた評価により、拒絶メカニズムが未知のセンターの入力を大部分拒絶する一方で、自センターの入力に対しては低い拒絶率を維持することを示した。

結果
実験は、DENTEXパノラマ・ベンチマークを用いて行われ、Tufts Dental DatabaseおよびADCD外部検証セットを用いてクロス検証された。2つの構造的に異なる凍結エンコーダー（歯科特化型Vision Transformer [ViT-L] および生物医学用Vision-Languageモデル [BiomedCLIP]）がテストされた。

• 較正と識別能： 歯科用バックボーンにおいて、エンベロープは期待較正誤差（ECE）を0.040から0.034に改善すると同時に、マクロAUCをわずかに向上させた（0.849から0.857）。生物医学用バックボーンにおいても、較正を維持しつつ識別能を向上させた。偏差の保証は、テストされた18の全条件下（3つのシード $\times$ 2つのバックボーン $\times$ $\delta$ スイープ）で成立した。
• 運用ポイントの指標： 0.5の決定閾値において、エンベロープはマクロF1スコアを0.46から0.58に向上させた。これは主に、ベースラインが見逃していた稀な疾患（深在性う蝕および根尖病変）の感度を回復させたことによるものである。
• 拒絶性能： 異なる国および撮像システムであるTuftsデータセットにおいて、エンベロープは、自センター（DENTEX）ではわずか5.1%しか拒絶しない運用ポイントにおいて、**84.7%**の入力を拒絶した。マハラノビス距離に基づくゲートは、未知のセンターを区別する能力において、ロジットベースの検出器（MSP, Energy, ODIN）を大幅に上回った（AUROC 0.968 対 約0.78）。
• 堅牢性： 本手法はハイパーパラメータ $\delta$ に対して堅牢であり、最適なパフォーマンスは $[1.0, 2.0]$ の範囲で観察された。境界は経験的にタイトであることが検証され、決して違反されなかった。

意義と主張
本論文は、主要な貢献は精度の一律な向上ではなく、安全性であると主張している。その意義は、「安全性三要素（safety triad）」を提供することにある：

1. 較正（Calibration）： 意味のある確信度スコア。
2. 有界偏差（Bounded Deviation）： 信頼できるベースラインに対する、サイレントな性能劣化を防ぐ構造的な契約。
3. 拒絶（Refusal）： 未知のデータに対して臨床医に委ねる能力。

著者らは、この安全性の保証は統計的なものではなくアーキテクチャ的なものであることを強調している。それは、クリッピング操作に依存しており、データの分布仮定に依存しないため、あらゆる入力およびあらゆるバックボーンに対して成立する。本手法は、より強力な歯科基盤モデルがリリースされるたびに即座に再利用可能であり、より優れた箇所で改善し、決して害を与えず、形式的な保証を提供する、ポータブルなセーフティ・レイヤーとして設計されている。論文では、識別能の向上は意図的に控えめなものであると明記されており、本研究は性能向上のための結果としてではなく、信頼できる展開のためのフレームワークとして読むべきである。

著者が指摘する限界

• 識別能の向上は控えめであり、焦点は厳密に安全性の特性に絞られている。
• 使用されたデータセット（DENTEX, Tufts, ADCD）は公開されており、比較的小規模である。決定的な信頼性評価には、歯単位のラベルを持つ前向きな臨床コホートが必要である。
• 使用された歯科エンコーダーは歯根膜画像（periapical images）で訓練されているが、パノラマのクロップに適用されている。ただし、パノラマ対応のバックボーンを用いたテストでも同様の結果が得られたことから、エラーはタスクレベルのものであり、ドメインシフトによるアーティファクトではないことが示唆されている。
• 有界偏差の保証は、単純な較正済みベースラインに対するものである。これを臨床医由来の事前分布に置き換えることで、契約はより臨床的に意味のあるものになる。
• 本手法は歯を局在化（ローカライズ）しない。上流に歯の検出ステージが必要である。
• 本手法は、アンサンブルベースの不確実性手法（例：Deep Ensembles）との比較を行っていない。これらは、凍結および再学習なしという設定とは互換性がないためである。