説明可能なADHD診断フレームワーク：弱教師あり行動認識を用いて

背景と学術的系譜

注意欠陥・多動性障害（ADHD）の診断問題は、歴史的に主観的な臨床面接と標準化された評価尺度に依存してきた。これらの方法は、臨床家依存のバイアスを受けやすく、多動性行動に対する客観的かつ定量的な指標を欠いている。初期のAIアプローチは、構造化された記録や神経生理学的データ（EEG/MRIなど）を用いて自動化を試みたが、近年のコンピュータビジョン技術の進歩は、行動表現型の分析へとシフトしている。しかし、EDWARの開発を余儀なくさせた「ペインポイント」は、既存の深層学習モデルのブラックボックス性である。過去のシステムは高い精度で診断を予測できたかもしれないが、「なぜ」という説明を提供できなかった。つまり、患者がADHD関連の症状を示したビデオの特定の瞬間を指摘できず、臨床統合における信頼性に欠けていた。

直感的なドメイン用語

• 弱教師あり学習 (Weakly-Supervised Learning): ビデオに鳥が「含まれている」とだけ伝え、その鳥が正確にいつ現れるかを指し示すことなく、学生にビデオ内の特定の鳥を識別するように教えることを想像してほしい。モデルは「どこ」を自分で見つけ出す必要がある。
• 骨格シーケンス (Skeletal Sequences): ビデオから抽出された「棒人間」のアニメーションと考えてほしい。関節（肩、肘、膝）のみに焦点を当てることで、モデルは部屋の照明や家具のような気を散らす背景の詳細を無視し、患者の動きにのみ純粋に焦点を当てる。
• Gumbel-Softmax: 標準的なAIでは、モデルは「不確か」であり、可能性の曖昧な混合を出力するかもしれない。このツールは、公平なコイン投げのように「微分可能」であり、モデルがトレーニング中に間違いから学習できるようにしながら、確固たる明確な決定（例：「これは動きである」）を下すことを可能にする。
• 異常活性化 (Anomaly Activation): 行動のための「ヒートマップ」と考えてほしい。これは、患者の動きが正常から逸脱したビデオの特定のタイムスタンプを強調するモデルの方法であり、効果的に「この瞬間が過活動が発生した正確な瞬間である」と述べている。

記法表

数学的解釈

著者らは、2段階の協調フレームワークを作成することで、解釈可能性の問題を解決する。まず、活動セグメント提案 (Activity Segment Proposal, ASP) モジュールを使用して、静止または無関係な動きを除外する。活性化マップ $\alpha^{act}$ を定義し、Gumbel-Softmaxトリックを使用して、モデルが活動セグメントにのみ集中できるようにするハードな提案 $\mathbf{P}^{Act}_i$ を生成する。

中核となる革新は、次のように定義される異常活性化ネットワーク (Anomaly Activation Network, AAN) である：
$$\alpha^{ano} = \text{AAN}(\mathbf{P}^{Act} \odot f)$$
この方程式は、入力特徴 $f$ を活動提案 $\mathbf{P}^{Act}$ でマスクし、ネットワークが意味のある動きのみを分析することを保証する。次に、モデルはこれらをシグモイド関数 $\sigma(\cdot)$ と学習可能な温度パラメータ $\mathcal{T}_c$ を使用してスコア $s_c$ に集約し、特定の異常を特定する。最後に、ADHD診断はビデオだけでなく、これらの異常スコアと従来のテスト指標 $r$ の連結に基づいている：
$$p = \text{MLP}(\text{concat}(s, r))$$
この共同最適化は、損失関数 $\mathcal{L} = \mathcal{L}_{diag} + \lambda\mathcal{L}_{action}$ によって支配され、モデルが診断に対して正確であり、かつ臨床的に解釈可能である特徴を学習することを強制する。これは、AIの「推論」が人間が観察可能な臨床的証拠と一致することを保証する巧妙な方法である。

問題定義と制約

本論文で対処される中心的な課題は、既存のAI支援ADHD診断ツールの「ブラックボックス性」である。現在、臨床家は主観的な評価尺度、臨床面接、および実行機能テストの組み合わせに依存している。以前のAIモデルは、行動データ（視線や骨格の動きなど）を分析することでこれを自動化しようとしてきたが、それらはしばしば不透明な分類器として機能する。これにより、重大なギャップが生じる。臨床家は、AIの診断決定の「理由」を信頼したり検証したりすることができず、これは臨床導入のための重要な要件である。

ジレンマと制約

著者らは、予測精度と解釈可能性の間の古典的なトレードオフに直面している。
* データボトルネック: 「異常な」ADHD行動（例：そわそわする、席を移動する）のきめ細かなフレームごとのアノテーションを取得することは、法外に高価で時間がかかる。これにより、著者らは「弱教師あり」学習に依存せざるを得なくなる。これは、正確な時間的マーカーではなく、ビデオレベルのラベル（例：「このビデオにはADHD症状が含まれている」）のみにアクセスできることを意味する。
* ノイズ問題: 実行機能テスト中、被験者は多くの正常でタスク関連の動きを行う。モデルは、これらを病的なADHD関連の過活動行動と区別する必要がある。
* 統合の壁: 単純に臨床テスト指標と行動特徴を連結すると、2つのデータソースが異なる「特徴空間」に存在するため、パフォーマンスが最適化されないことが多い。著者らは、診断に対して識別力があり、かつ行動認識に対して臨床的に意味のある特徴を同時に学習することをモデルに強制する協調フレームワークを設計する必要があった。

数学的定式化

著者らは、2段階の協調推論フレームワークを定義することで、このギャップを埋める。

1. 活動セグメント提案 (ASP): きめ細かなラベルの欠如に対処するため、エンコードされたポーズ特徴 $\mathbf{f} \in \mathbb{R}^{T \times d}$ を活性化マップ $\alpha^{act} \in \mathbb{R}^{T \times 2}$ に投影する。標準的なソフトマックスの「断片化」を回避するため、Gumbel-Softmaxトリックを使用する：
   $$[\mathbf{P}_i^{Act}, \mathbf{P}_i^{NoAct}] = \text{Gumbel-Softmax}([a_{i,0}, a_{i,1}]), \forall i \in \{1, \dots, T\}$$
   これにより、トレーニング中の微分可能な勾配が可能になり、推論中の「アクティブ」セグメントのハードで決定論的な選択が可能になる。

2. 異常活性化ネットワーク (AAN): アクティブなセグメントが特定されると、モデルは次を使用して異常スコア $\alpha^{ano}$ を予測する：
   $$\alpha^{ano} = \text{AAN}(\mathbf{P}_i^{Act} \odot \mathbf{f})$$
   これは効果的に無関係な静止または正常な動きをマスクし、モデルの注意をADHD関連の行動が発生する可能性のあるセグメントにのみ集中させる。

3. 協調最適化: 最終診断 $p$ は、集約された異常スコア $\mathbf{s}$ と臨床テスト指標 $\mathbf{r}$ をMLP分類器に連結することで得られる：
   $$p = \text{MLP}(\text{concat}(\mathbf{s}, \mathbf{r}))$$
   システム全体は、マルチタスク損失関数 $\mathcal{L} = \mathcal{L}_{diag} + \lambda\mathcal{L}_{action}$ を使用してトレーニングされる。これにより、モデルは診断に対して識別力があり、かつ臨床的に意味のある共有表現を学習することが強制される。

なぜこのアプローチなのか

EDWARフレームワークは、臨床的信頼の重要な課題であるAI支援ADHD診断に対処するために、「ブラックボックス」モデルを、透明で弱教師ありの行動認識システムに置き換える。

選択の必然性

著者らは、従来のSOTA手法（標準的なCNNや基本的なTransformerなど）が、診断プロセスを単一の分類タスクとして扱うため、臨床現場でしばしば失敗することを特定した。ADHD評価では、「何」（診断）は「なぜ」（行動的証拠）なしには不十分である。

比較優位性（ベンチマーキング論理）：
* 構造的利点: 全ビデオクリップを単一の特徴ベクトルとして処理する可能性のある標準モデルとは異なり、EDWARは活動セグメント提案 (ASP) モジュールを利用する。このモジュールはフィルターとして機能し、関連する過活動行動を静止または無関係な動きから分離する。Gumbel-Softmaxトリックを採用することで、モデルはトレーニング中の微分可能性を維持しつつ、推論中のハードで決定論的な選択を可能にする。
* マルチモーダルシナジー: このフレームワークは、視覚のみに依存しないため、質的に優れている。行動ビデオ分析と構造化された実行機能テスト指標の「結婚」を実行する。最終分類層で異常スコアベクトル $\mathbf{s}$ とテスト指標 $\mathbf{r}$ を連結することにより、モデルは診断が定量的テストパフォーマンスと定性的行動観察の両方に根ざしていることを保証する。

数学的解釈

問題の核心は、フレームレベルのラベルなしで、シーケンス $X \in \mathbb{R}^{T \times D}$ 内の異常アクションを特定することである。著者らはこれを次のように解決する：

1. 特徴エンコーディング: 特徴 $\mathbf{f} = g_\theta(X)$ を抽出し、それを $T \times 2$ の活性化マップ $\alpha^{act}$ に投影して、活動と非活動を区別する。
2. 確率的サンプリング: Gumbel-Softmax分布を使用して、勾配の流れを可能にする提案 $\mathbf{P}^{Act}_i$ を生成する。
3. 異常局在化: 異常活性化ネットワーク (AAN) を介して異常活性化 $\alpha^{ano}$ を予測する：
   $$\alpha^{ano} = \text{AAN}(\mathbf{P}^{Act} \odot \mathbf{f})$$
   これにより、無関係な動きが効果的にマスクされ、モデルが活動が検出されたセグメントのみを分析することが保証される。
4. 共同最適化: 最終診断確率 $p$ は、集約された異常スコア $\mathbf{s}$ とテスト指標 $\mathbf{r}$ の連結から導き出され、マルチタスク損失関数によって最適化される：
   $$\mathcal{L} = \mathcal{L}_{\text{diag}} + \lambda\mathcal{L}_{\text{action}}$$

数学的・論理的メカニズム

EDWARフレームワークは、客観的な行動分析と従来のテスト指標を組み合わせることで、ADHD診断の臨床的課題に対処する。中心的な動機は、「ブラックボックス」AIモデルから、臨床家が検証できる、高診断精度と透明で時間的に局在化された証拠を提供するシステムへと移行することである。

マスター方程式

このフレームワークは、時間的異常活性化を単一のビデオレベルの確率に集約するスコアリング関数に依存している。クラス $c$ の異常スコア $s_c$ の中心的な方程式は次のとおりである：

$$s_c = \sigma \left( \frac{\sum_{i=1}^{T} P_i^{\text{Act}} \cdot \alpha_{i,c}^{\text{ano}}}{T_c} \right)$$

方程式を分解する：

1. $s_c$: ビデオ内でタイプ $c$ の異常が発生した確率（0から1の間）の予測値。
2. $\sigma(\cdot)$: シグモイド活性化関数。
3. $\sum_{i=1}^{T}$: ビデオ内のすべての $T$ タイムステップにわたる合計。
4. $P_i^{\text{Act}}$: タイムステップ $i$ における「活動提案」の重み。これはゲート機構またはフィルターとして機能する。Gumbel-Softmaxサンプリングから派生し、モデルが静止または正常と見なすタイムステップを効果的に「オフ」（0に設定）にする。
5. $\alpha_{i,c}^{\text{ano}}$: タイムステップ $i$ におけるクラス $c$ の異常活性化ロジット。
6. $T_c$: 学習可能な温度パラメータ。

最適化ダイナミクス

モデルは、マルチタスク目的関数 $\mathcal{L} = \mathcal{L}_{\text{diag}} + \lambda\mathcal{L}_{\text{action}}$ を通じて学習する。

最適化は繊細なバランス行為である。$\mathcal{L}_{\text{diag}}$ 損失は、モデルに最終的な臨床予測で正確であることを強制し、一方 $\mathcal{L}_{\text{action}}$ は、モデルに特定の行動を正しく識別することを強制する。これらは共同でトレーニングされるため、診断勾配は行動認識モジュールの「教師」として機能し、ランダムな動きではなく、ADHDに実際に 関連する行動に焦点を当てるように導く。

結果、限界、結論

EDWARフレームワークは、臨床精神医学における重要なボトルネック、すなわちADHD診断における主観性と定量的透明性の欠如に対処する。

中心的な問題と数学的解決策

アノテーションのボトルネックを解決するために、著者らは弱教師あり行動認識を採用する。フレームごとのラベルを必要とする代わりに、モデルはビデオレベルの診断ラベルのみを必要とする。このフレームワークは、活動セグメント提案 (ASP) モジュールを使用して無関係な動きを除外し、異常な行動に焦点を当てる。

数学的には、モデルは骨格シーケンス $X \in \mathbb{R}^{T \times D}$ をエンコーダ $g_\theta$ を介して処理し、特徴 $\mathbf{f}$ を取得する。標準的なソフトマックスの限界を回避するため、著者らはGumbel-Softmaxトリックを使用する：
$$[\mathbf{P}^{\text{Act}}_i, \mathbf{P}^{\text{NoAct}}_i] = \text{Gumbel-Softmax}([a_{i,0}, a_{i,1}]), \forall i \in \{1, \dots, T\}$$
これにより、モデルはトレーニング中に微分可能な勾配を維持しつつ、推論中にハードで決定論的な決定を可能にする。

実験的検証

著者らは、従来の機械学習モデルやbi-LSTMやBERTのような高度な時間的パターン認識モデルを含む、幅広いベースラインに対してアーキテクチャをテストした。彼らの成功の決定的な証拠は、EDWARによって達成された94.3%の精度であり、BERTベースのハイブリッドモーダルベースライン（91.6%）を大幅に上回った。表2のアブレーションスタディは、「決定的な証拠」として機能し、WSARモジュールと臨床テスト指標のシナジーが変革的であることを証明している。

考察と将来展望

EDWARフレームワークは大きな進歩であるが、将来の研究のためにいくつかの魅力的な疑問を提起する：
1. クロス障害汎化: このフレームワークは、ADHDと他の神経発達障害を区別するように適応できるか？
2. 縦断的安定性: 数時間の教室行動を分析する必要がある場合、モデルはどのように機能するか？
3. 倫理的・プライバシー的考慮事項: AI支援診断へと移行するにつれて、骨格抽出プロセスが最高レベルのプライバシーで処理されることをどのように保証するか？

全体として、このフレームワークは複雑な臨床問題に対して、説得力があり、透明で、高精度なソリューションを提供し、アルゴリズムの決定と人間が読める証拠との間のギャップを効果的に埋める。