医用画像解析における因果転移（Causal Transfer）

要旨: 医用画像モデルは、ドメインシフトにより、病院、スキャナ、集団、または撮像プロトコルをまたいで導入するとしばしば機能しなくなり、その結果、臨床的な信頼性が制限されます。転移学習やドメイン適応は統計的な意味でこうしたシフトに対処しますが、条件が変わると破綻する、見かけ上の相関（スプリアス・コリレーション）に依存しがちです。一方で、因果推論は、環境をまたいでも安定して保たれる不変のメカニズムを同定するための原理に基づく方法を提供します。本調査は、医用画像解析のための因果転移学習（Causal Transfer Learning: CTL）を導入し、体系化します。このパラダイムは、因果的推論とドメイン横断の表現学習を統合することで、頑健で一般化可能な臨床AIを可能にします。本稿ではドメインシフトを因果問題として捉え、構造因果モデル、 不変リスク最小化（invariant risk minimisation）、および反実仮想的推論を、転移学習パイプラインにどのように埋め込めるかを解析します。私たちは、分類、セグメンテーション、再構成、異常検知、ならびにマルチモーダル画像にまたがる研究を対象とし、それらを課題、シフトの種類、そして因果的仮定によって整理しました。因果フレームワークと転移メカニズムを結び付ける統一的な分類体系を提案します。さらに、データセット、ベンチマーク、そして経験的な改善量を要約し、因果的転移が相関ベースのドメイン適応をいつ、なぜ上回るのかを強調します。最後に、CTLが、多施設およびフェデレーテッド（連合）環境における公平性、頑健性、信頼できる導入をどのように支えるかを議論し、臨床的に信頼できる医用画像AIに向けた未解決の課題と研究方向性を概説します。