CIV-DG：医用画像におけるドメイン汎化のための条件付き操作変数

Abstract

医療AIにおけるクロスサイト汎化は、選択バイアスによって根本的に損なわれています。選択バイアスとは、患者の属性（例：年齢、重症度）が非ランダムに病院の割り当てを決定してしまう構造的な仕組みです。従来のドメイン汎化（DG）パラダイムは主として画像レベルの分布シフトに焦点を当てていますが、その結果として生じる、サイト固有の変動と診断ラベルとの間の見かけの相関（spurious correlations）には対処できません。この同定可能性の障壁を乗り越えるために、本研究では因果フレームワークであるCIV-DGを提案します。CIV-DGは、Conditional Instrumental Variables（条件付き操作変数）を活用することで、病理学的な意味論とスキャナ由来のアーティファクトを切り分けます。標準的なIV手法が前提とする厳密なランダム割り当て仮定を緩和することで、CIV-DGは、病院選択が患者の属性によって内生的に駆動されるような複雑な臨床状況に対応できます。この理論を具体化するために、Deep Generalized Method of Moments（DeepGMM）アーキテクチャを実装し、条件付きクリティックを用いてモーメント違反を最小化し、人口統計の区分（demographic strata）内で操作変数と誤差の直交性を強制します。Camelyon17ベンチマークおよび大規模な胸部X線データセットを用いた大規模な実験により、CIV-DGが主要なベースラインを大幅に上回ることが示され、堅牢な医療AIのために構造的な交絡を解消するうえでの条件付き因果メカニズムの有効性が検証されました。