要旨: 全スライド病理組織画像（WSI）とゲノムデータを融合するマルチモーダル深層学習モデルは、がんの生存予測において（一致度指数、concordance index で測定して）強い識別性能を達成してきました。しかし、これらのモデルから導出される生存確率が、（ネイティブな出力から直接であっても、あるいは標準的な事後処理による再構成を経由してであっても）キャリブレーションされているかどうかは、ほとんど未検証のままです。
本研究では、我々の知る限り、マルチモーダル WSI-ゲノムの生存アーキテクチャに対して、初めてとなる体系的なフォールドレベルの 1-キャリブレーション監査を実施します。ネイティブな離散時間生存出力を評価する（実験A: TCGA-BRCA 上で3モデル）ほか、スカラーリスクスコアから Breslow 再構成した生存曲線も評価します（実験B: 5つのTCGAがん種にまたがる11のアーキテクチャ）。実験Aでは、3つのモデルはいずれもフォールドの大半で 1-キャリブレーションに失敗します（Benjamini-Hochberg 補正後に、15回のフォールドレベルテストのうち12回で棄却）。全290回のフォールドレベルテストにおいて、166回が、Benjamini-Hochberg 補正後に（FDR = 0.05）中央値イベント時点における「正しいキャリブレーション」の帰無仮説を棄却します。MCAT は GBMLGG で C-index 0.817 を達成しますが、5つのフォールドすべてで 1-キャリブレーションに失敗します。
ゲーティングに基づく融合は、より良いキャリブレーションと関連していました。一方で、双線形融合および連結（concatenation）融合はそうではありません。事後処理の Platt scaling は、評価した地平（例: MCAT: 5/5フォールドが 2/5 に失敗）におけるミキャリブレーションを低減しますが、識別能には影響しません。一致度指数（concordance index）だけでは、臨床利用を想定した生存モデルを評価するには不十分です。
良いランキング、間違った確率：マルチモーダルがん生存モデルのキャリブレーション監査
arXiv cs.LG / 2026/4/7
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、マルチモーダルがん生存モデルの高い識別性能（例：一致度指数）だけでは、予測された生存確率が統計的にキャリブレーションされていることは保証されないと主張している。
- 複数のTCGAがんデータセットにまたがり、マルチモーダルの全スライド画像（WSI）とゲノミクスを組み込んだ生存アーキテクチャに対して、折（fold）単位での1-キャリブレーション監査を体系的に行ったものとして、これが最初であると報告している。
- ネイティブな離散時間出力を用いた実験では、検討したすべてのモデルが、ほとんどの折で1-キャリブレーションに失敗しており、多くの折単位の検定が、多重検定補正後に「正しいキャリブレーション」を棄却している。
- 本研究では、ギーティングに基づく融合が、二線形（bilinear）や連結（concatenation）による融合よりもキャリブレーションが良い傾向があること、また事後処理としてのPlatt scalingは、評価した時点（horizon）において識別性能を低下させることなくキャリブレーションを改善し得ることを見出している。
- 著者らは、臨床での適用に向けてキャリブレーション監査が必要であり、一致度指数（concordance index）だけを用いるのは誤解を招き得ると結論づけている。
