Hardness-Aware Kernelized Contrastive Learning for Brain Age Prediction

技術要約：脳年齢予測のための硬度を考慮したカーネル化対照学習

問題提起
構造的T1強調MRIからの脳年齢予測は、標準的な加齢からの逸脱を定量化し、神経学的健康状態を評価するための重要なタスクである。しかし、堅牢な予測は、主に2つの課題によって阻害されている。一つはデータセットにおける非一様な年齢分布であり、もう一つはマルチサイト・データ（スキャナー、撮像プロトコルの違い、および集団の不均一性によるドメインシフト）による顕著なドメインシフトである。標準的な回帰損失は出力誤差を最小化するが、特徴量の組織化に対して限定的な制約しか課さないため、脳の加齢が持つ連続的かつ順序的な性質を捉えることができない。既存の回生用対照学習手法は、年代論的な年齢差に基づいてペアの重みを割り当てることでこれに対処しようと試みている。しかし、これらの手法は、年齢が近いサンプルは埋め込み空間において自然に整列していることを前提としている。マルチサイトのシナリオでは、年齢が近い被験者であっても、スキャナーのアーチファクトや最適化のダイナミクスによって、埋め込み空間内で離れた位置に留まる可能性がある。この「表現とラベルの不一致」は、学習された多様体が脳の加齢の滑らかな軌跡を反映することを妨げる（特に、「ハードな」正のペア、すなわち年齢は近いが表現が遠いサンプルにおいて顕著である）。

手法
著者らは、ラベル距離と埋め込み距離を共に考慮することでこの不一致に対処する、**硬度を考慮したカーネル化対照回帰（Hardness-Aware Kernelized Contrastive Regression）**フレームワークを提案している。このフレーム構組は、新しい目的関数を用いて訓練された3D ResNet-18エンコーダと、推論のためのリッジ回帰リードアウトで構成される。

1. 硬度の定義: 本手法は、「硬度」をラベル距離と埋め込み距離の不一致として具体的に定義する。アンカーサンプル $x_i$ と隣接サンプル $x_t$ に対して、硬度は正規化された埋め込み距離（$d_z$）と正規化されたラベル距離（$d_y$）の差によって定量化される。もし $d_z > d_y$ であれば、そのペアはより強力な整列を必要とする「ハードな正のペア」とみなされる。
2. 硬度を考慮した変調: 提案する損失関数は、指数関数的対照回帰に基づいている。これは、表現とラベルの不一致を表す $u_{i,t}$ を用いた適応的な変調重み $m_{i,t} = 1 + \lambda \max(0, u_{i,t})$ を導入する。この重みは、損失関数内の整列項（正のペア）にのみ適用される。
   • 根拠: 著者らは、「ハードな負のペア」（年齢が大きく異なるにもかかわらず、偶然に近くに配置されたサンプル）は、大きな年齢差に基づく標準的なカーネル重み付けによって既に十分に反発されていると主張している。それらを人工的に増幅することは、滑らかな年齢の連続性を乱す可能性がある。逆に、「ハードな正のペア」（年齢は近いが、表現が遠いサンプル）は、ラベルのみの重み付けからは特別な注意を払われないが、多様体の連続性を維持するために極めて重要である。したがって、本手法は、反発構造を変えることなく、これらのハードな正のペアを選択的に増幅することで、埋め込みの幾何学的構造を修復する。
3. 事後バイアス補正: 回帰の希釈（予測年齢が平均値に縮小してしまう現象）を軽減するため、著者らは訓練セットの健康なコントロール群のみを使用して、脳年齢ギャップ（BAG）に対して標準的な事後線形補正を適用している。これにより、臨床的検証指標が系統的なバイアスによって混乱されることを防いでいる。

主な貢献

• 新規の目的関数: 本論文は、表現とラベルの不一致を明示的に標的とする、硬度を考慮した変調メカニズムを導入している。密度に基づいて正・負のペアの集合を変更する適応的近傍戦略とは異りました、本手法は現在の整列状態に基づいて既存のペアを再重み付けする。
• クロスサイト汎化: 本アプローチは、年代論的には類似しているものの、サイト固有の変動により現在整列していないサンプルを強制的に整列させることで、マルチサイトの神経画像データのドメインシフトを処理するように特別に設計されている。
• 解釈可能性: 本研究は3D Grad-CAMを利用して、モデルがスキャナー固有のアーチファクトではなく、生物学的に関連のある領域（海馬、小脳、内側側頭葉）に焦点を当てていることを示している。

実験結果
本手法は、マルチサイトのOpenBHBデータセット（71サイトから5,330スキャン）およびADNIデータセット（1,007人の健康な参加者）で評価された。

• 性能: 提案手法は、MSE回帰、ランキングベースの対照学習、およびラベル認識型対照学習のベースラインと比較して、すべてのデータセットにおいて最も低い平均絶対誤差（MAE）を達成した。
  • OpenBHB 内部: 3.84 ± 0.13 MAE（Exponentialベースラインの3.93と比較）。
  • OpenBHB 外部（クロスサイト）: 4.72 ± 0.17 MAE（Exponentialの4.85と比較）。改善は外部スプリットにおいてより顕著であり、ドメインシフトの緩和に効果的であることを示唆している。
  • ADNI: 3.01 ± 0.06 MAE（Exponentialの3.12と比較）。
• 臨床検証: ADNIのアルツハイマー病（AD）患者を対象とした補助研究において、モデルは「加速された脳老化」を特定する上で中程度の識別能（AUC 0.7280）を示し、119人のAD患者のうち70人を正しく特定した。
• アブレーションと可視化: ハイパーパラメータ解析により、硬度係数（$\lambda$）が0.5のときに最適な結果が得られることが確認された。UMAP可視化は、訓練が進むにつれて、埋め込み空間が分散したパターンから、滑らかで年齢に沿った多様体へと進化することを示している。

意義と主張
本論文は、表現とラベルの不一致をモデリングすることが、連続的な医学的予測タスクにおいて有用な戦略であることを主張している。著者らは、年代論的に近いが幾何学的に遠い「ハードな正のペア」を適応的に優先することで、クロスサイトの汎化性能を向上させ、より滑らかで生物学的に妥当な、年齢順の埋め込み構造を強制できると断言している。

著者らは、研究の範囲について控えめなトーンを維持している。彼らは以下の点を認めている：

1. 実験は公開データセットで行われており、実世界の臨床コホートにおけるさらなる検証が必要であること。
2. 本研究は現在、単一モダリティのT1強調MRIに依存しており、将来の研究ではマルチモーダルなデータを統合すべきであること。
3. 本手法はスクリーニングにおいて有望ではあるが、臨床への導入前に、サイトごとのバイアス補正および臨床的なマッチングを伴うさらなる検証が必要であること。

再現性とさらなる研究を促進するため、ソースコードは公開されている。