Abstract
薬剤抵抗性てんかんにおける術後発作転帰の予測は、臨床上の課題である。従来の深層学習アプローチは、縦断的な形態変化を欠落させたまま、術前の静的な単一時点スキャンを用いて動作する。われわれは、3段階からなる枠組み Neuro-Oracle を提案する。すなわち、(i) 3D Siameses 対比エンコーダにより、術前から術後へのMRI変化を、コンパクトな512次元の軌跡ベクトルへと蒸留する；(ii) 人口アーカイブから最近傍探索によって、過去に類似した外科手術の軌跡を検索する；(iii) 量子化された Llama-3-8B 推論エージェントを用いて、検索されたエビデンスに基づく自然言語の予後を合成する。評価は、公開されている EPISURG データセット（N{=}268 の縦断的に対応付けられた症例）を用い、5-fold の層化交差検証で実施する。真の発作寛解スコアは利用できないため、切除タイプに基づく臨床的な代理ラベルを用いる。われわれは、ネットワーク表現が、真の予後形態計測というよりも、切除空洞の解剖学的特徴（すなわち側頭部か非側頭部か）を学習してしまう可能性があることを認めている。したがって本評価は、現時点では主に、軌跡を考慮した検索アーキテクチャの概念実証として機能する。軌跡ベースの分類器は、単一時点 ResNet-50 のベースライン（0.793）と比較して、AUC が 0.834 から 0.905 の範囲で得られる。Neuro-Oracle エージェント（M5）は、純粋に識別的な軌跡分類器の AUC（0.867）に匹敵し、監査プロトコルにおいて観測された幻覚がゼロである状態で、構造化された根拠を生成する。軌跡空間における Siameses Diversity Ensemble（M6）の分類器は、言語モデルのオーバーヘッドなしで AUC=0.905 を達成する。
