モダリティ欠損下におけるマルチモーダル生存予測のための証拠融合ネットワーク

医療現場では、患者さんの病状を正確に把握するために、画像データ（レントゲンやCTスキャンなど）や検査結果、問診情報など、様々な種類の情報（これらを「モダリティ」と呼びます）を組み合わせて病気の進行や生存期間を予測することがあります。こうした「マルチモーダル」なアプローチは、単一の情報源だけでは見落としてしまうような、病気の隠れた特徴を捉えるのに役立ち、予測の精度を大きく高めることが期待されています。

しかし、現実の医療現場では、すべての情報が完璧に揃っているとは限りません。例えば、急病で搬送されてきた患者さんの場合、画像検査がすぐにできなかったり、一部の検査結果がまだ出ていなかったりすることがあります。こうした「モダリティの欠損」、つまり情報の一部が欠けている状況は、AIモデルにとって大きな課題となります。従来の多くのAIモデルは、すべての情報が揃っていることを前提に作られているため、情報が一部欠けていると、うまく予測できなかったり、誤った予測をしてしまったりする可能性がありました。

そこで今回ご紹介する研究では、このような「モダリティが欠けている状況でも、しっかりとした予測ができるAIモデル」として、「Evidential Missing Modality Survival Fusion (EMMS)」という新しいモデルが提案されています。このモデルのすごいところは、欠けているデータを無理に補ったり、生成したりする必要がない点です。シンプルで計算も効率的に行えるように設計されています。

EMMSは、「デンプスター・シャファー理論」や「ガウスランダムファジー数」といった、少し専門的な数学の考え方を使って、複数のモダリティから得られる情報をうまく「融合」させます。この融合の際に、単に情報を合わせるだけでなく、それぞれの情報（モダリティ）がどれくらい信頼できるのか、そして予測の不確かさにはどのような種類があるのか、という点まで考慮に入れています。具体的には、「アレアトロピック不確実性」（これは、データそのものに内在するばらつきによる不確かさ）と「エピステミック不確実性」（これは、モデルがまだ学習不足で、知識が足りないために生じる不確かさ）の両方を捉えることができます。

さらに、このモデルは、情報が欠けているモダリティを「空っぽの証拠」として扱います。これにより、利用できる情報に悪影響を与えることなく、欠けている情報があることによる不確かさを自然に増幅させ、より正確で「較正された」（つまり、予測の確からしさの度合いが実際の確率と合っている）予測を可能にするのです。これは、医療AIの現場で、より現実的で信頼性の高い予測を行うための重要な一歩と言えるでしょう。