メタ述語とドメイン特化言語を用いた信頼性の高い臨床意思決定支援

arXiv:2604.21263v1 Announce Type: new **背景:** EU AI 法や AI/ML ベースの医療機器に関する FDA のガイダンスを含む医療における AI の規制枠組みは、臨床意思決定支援が単に精度だけでなく、監査可能性も示さなければならないことを要求しています。現行の臨床論理のための形式言語は、文法や構造的な正しさを検証しますが、意思決定ルールが認識論的に適切な証拠に基づいているかを検証するわけではありません。 **方法:** コントラクトによる設計（design-by-contract）の原則に基づき、DSL における臨床意思決定ルールに対する認識論的制約を主張するために、述語に関する述語であるメタ述語を提案しました。認識論型は、目的、知識のドメイン、スケール、取得方法の 4 つの次元に沿って注釈进行分类します。メタ述語は、どの証拠タイプが与えられたルールで許可されているかを主張します。このフレームワークは、遺伝子バリアントのカuration ためのオープンソースプラットフォーム AnFiSA に実装され、Genome in a Bottle ベンチマークの 560 万のバリアントを用いた Brigham Genomics Medicine プロトコルで示されました。 **結果:** バリアント解釈に用いられる決定木は、単調なカスケードとして再形式化でき、各バリアントの分類ルールと理由を特定するパー・バリアント監査尾を可能にします。メタ述語の検証は、ルールが人間によって書かれた場合でも AI によって生成された場合でも、デプロイ前において認識論的错误を検出します。このアプローチは、LIME や SHAP のように事後の手法を補完します：後者の場合は説明が事実後に使用されたどの証拠を明らかにしますが、メタ述語はデプロイ前に使用できる証拠を制限すると同時に、人間の可読性を保ちます。 **結論:** メタ述語の検証は、意思決定が正確であると示すだけでなく、独立して監査できる方法で適切な証拠に基づいていることを示す一歩です。ゲノミクスにおいて示されたとしても、このアプローチは監査可能な意思決定論理を必要とするドメインに一般化可能です。

arXiv:2604.21263v1 Announce Type: new Abstract: \textbf{Background:} Regulatory frameworks for AI in healthcare, including the EU AI Act and FDA guidance on AI/ML-based medical devices, require clinical decision support to demonstrate not only accuracy but auditability. Existing formal languages for clinical logic validate syntactic and structural correctness but not whether decision rules use epistemologically appropriate evidence. \textbf{Methods:} Drawing on design-by-contract principles, we introduce meta-predicates -- predicates about predicates -- for asserting epistemological constraints on clinical decision rules expressed in a DSL. An epistemological type system classifies annotations along four dimensions: purpose, knowledge domain, scale, and method of acquisition. Meta-predicates assert which evidence types are permissible in any given rule. The framework is instantiated in AnFiSA, an open-source platform for genetic variant curation, and demonstrated using the Brigham Genomics Medicine protocol on 5.6 million variants from the Genome in a Bottle benchmark. \textbf{Results:} Decision trees used in variant interpretation can be reformulated as unate cascades, enabling per-variant audit trails that identify which rule classified each variant and why. Meta-predicate validation catches epistemological errors before deployment, whether rules are human-written or AI-generated. The approach complements post-hoc methods such as LIME and SHAP: where explanation reveals what evidence was used after the fact, meta-predicates constrain what evidence may be used before deployment, while preserving human readability. \textbf{Conclusions:} Meta-predicate validation is a step toward demonstrating not only that decisions are accurate but that they rest on appropriate evidence in ways that can be independently audited. While demonstrated in genomics, the approach generalises to any domain requiring auditable decision logic.