本研究では、法務テキストの断片化および医療人工知能（AI）のバイアス追跡に関する課題に対処するため、法務知識グラフを構築し、セマンティックアラインメントにリレーションアウェア・グラフ畳み込みを採用しています。また、勾配ベースの誤差逆伝播法を通じてバイアスの原因を特定しており、コンプライアンスを遵守した医療AIアプリケーションを裏付ける良好な実験指標が得られています。
この記事について
サマリー
要約
医療人工知能（AI）の法的コンプライアンス分析において、本論文では、多ソースの異種法務テキストの意味的分断およびアルゴリズムのバイアス追跡の困難さによって生じる、責任所在判定における曖昧さに対処する。グラフニューラルネットワークに基づいた、知識グラフ構築およびバイアス伝播パス検出手法を構築する。法条項、医療行為、アルゴリズムモジュール、責任主体の4種類の異種ノードを構造化およびエンコードし、4種類の法的意味関係に基づいて有向グラフを構築する。 "違反", "根拠", "トリガー"、および "帰属"次に、エッジタイプ固有の重みとアテンション機構を組み合わせた関係認識グラフ畳み込みネットワークを用いて、クロスモーダルな法的意味論の多層特徴アライメントを実現します。その後、勾配ベースの誤差逆伝播法を用いて、バイアスに大きく寄与するエッジを特定し、バイアス伝播サブグラフを構築した上で、コミュニティ検出を用いてルートノードクラスターを特定します。最終的に、リアルタイムの意思決定フローを一時的なノードにマッピングし、埋め込み類似度によってコンプライアンスを検証し、主要なエッジ重みの動態を監視することで、システム的なバイアスの蓄積を警告します。実験の結果、意味アライメント精度において、提案手法は異なる知識グラフ密度勾配全体で、平均エンティティアライメント精度が少なくとも0.92、平均関係保持完備性が少なくとも0.88を達成しました。バイアス局在化能力に関しては、ルートノード再現率が0.95に達しました。±±0.02であり、伝搬経路の精度は0.93に達する±±0.03. 本研究は、ある程度の範囲において、法的論理とアルゴリズムの挙動との深い結合を実現しており、医療AIの信頼できる導入に向けた、説明可能かつ検証可能なコンプライアンス支援システムを提供するものである。
概要
診断や治療支援、リソース配分、リスク評価における医療AIの深い関与により、その意思決定は法的責任の想定と密接に結びついています1,2。法規範は高度に構造化されていますが、意味論的に分散しており、またAIシステムの挙動はブラックボックス化している可能性があるため、両者の間に意味論的に整合し、追跡可能なインターフェースが存在しない場合があります3。このような背景から、アルゴリズムの行動シーケンス内における法的な因果関係の連鎖を捉える共通表現フレームワークの開発が、責任のきめ細やかな帰属と動的なコンプライアンスを実現するために不可欠なイネーブラーとして浮上しています4,5。本研究は、技術システムの法的検証に関連しているだけでなく、医療上の公平性、アルゴリズムの公平性、および制度的信頼の深い維持にも関わっており、したがって大きな理論的意義と実用上の緊急性を備えています。
今日の医療AIにおける法的適合性分析の根本的な問題は、法的意味論とアルゴリズムの動作の間に計算可能な接続構造が欠如していることです6,7。法的文書はプレーンテキストとして提供されていますが、段落間の関係は依存関係、矛盾、および例外が複雑に絡み合っており、機械が解釈可能な論理単位に分割する際に問題が生じます8,9。AIシステムの意思決定はデータ駆動型のブラックボックスに封じ込められており、その出力の変動を、法的義務の特定の違反や責任分担のノードにまで遡って追跡することは不可能です10,11。このような断絶（例えば、訓練データのバイアス、モデル設計上の欠陥、または法的規範の意味論的な解釈）を実験的に分離して、バイアスの要因を特定したり、開発者、導入者、またはユーザーの法的義務を明確にしたりすることはできません12,13。さらに問題なのは、既存のコンプライアンス手順が、最終的な出力が固定された仕様を満たしているかを確認するのみであり、「法と技術」の相互作用ネットワークにおけるバイアスの伝播経路や増幅を考慮していないことです14,15。医療AIが同時に複数の法的規定の対象となり、ある条項の誤解釈によって一連のエラーが発生した場合、従来のアプローチでは、そのエラーが他の関連規定を通じてどのように拡散し、最終的に法的責任に至るかを追跡できません16,17。加えて、リアルタイムの意思決定フローと既存の法のナレッジグラフとの間に動的な相関メカニズムが欠如しているため、システム運用中のコンプライアンス評価が遅れ、バイアスの蓄積傾向を先制的にモニタリングすることができなくなっています18,19。これらの問題が相まって、責任判定の不確実性、脆弱な帰属、および規制介入の遅延を招いており、高リスクなヘルスケアAIシステムの信頼できる導入と、法的責任の適用を著しく妨げています。
何よりも、従来の研究では、コンプライアンスに関する質疑応答やリスク通知を支援するために、構造化された形式で法的文書を調査し、オントロジーやルールを用いて特定ドメインの知識ベースを構築している20,21。これらのアプローチは一部の法的概念の表現を捉えることができるが、法の内部論理が一貫しており静的であると想定する傾向があり、管轄区域間の不整合や例外、あるいは曖昧な表現への対処を困難にしている。その後の研究では、自然言語処理技術が導入され、事前学習済み言語モデルを用いて法的実体や関係性を抽出することで、知識抽出の網羅性が向上したが22,23、依然として浅い意味レベルに留まっており、法的挙動と技術的挙動の間のマッピングインターフェースを確立できていない。アルゴリズムのバイアスガバナンスに関しては、主に公平性制約の設計に焦点が当てられており24,25、その評価指標は通常、人口統計学的変数に基づいており、法的な帰責原理との整合性に欠けている。一部の研究では、法的ルールを制約として符号化し、モデルのトレーニングに組み込もうと試みているが26,27、ルール表現の硬直性と粗い粒度のため、複雑な臨床状況に適応させることは困難である。概して、既存の取り組みは、法的コンプライアンスをシステムアーキテクチャ固有の計算可能な属性としてではなく、外部的な検証タスクとして扱っている。その結果、法的な論理とアルゴリズムの論理が並行して動作することになり、バイアス伝播パスに対する共同推論や動的な介入をサポートできていない。
近年、グラフニューラルネットワークは、関係構造を明示的にモデル化できる能力により、医療分野へと徐々に導入されてきました28,29。一部の研究では、判例、法的条項、および当事者情報を統合するためにヘテロジニアスグラフを利用し、ノード埋め込みを通じて判例の推奨や量刑予測を支援しており30,31、これにより法的接続を捉える上でのグラフ構造の有効性が検証されています。また別の研究では、アルゴリズムの構成要素をグラフノードとして抽象化し、エッジを用いてデータフローやコール関係を表現することで、エラー伝播を追跡しています32,33。これらの探究は、グラフ構造が法的要素および技術的要素の共通の担い手となり得ることを示しています。しかし、既存のグラフモデルは一般に3つの限界を抱えています。第一に、単一のエッジ関係に限定されており、法的な意味論における規範的、因果的、および帰属的な差異を区別できない点。第二に、特徴量の集約プロセスにおいてエッジタイプの意味的重みが無視され、異なる法的論理パスが同等に扱われてしまう点。そして第三に、バイアス伝播に対する微分可能な追跡メカニズムを欠いており、寄与度の高いエッジの特定や責任パスの再構築が不可能である点です。本論文では、各タイプの法的意味エッジに専用の変換行列を割り当て、アテンションメカニズムを導入してタイプ間の情報フローを動的に調整することで、意味的ヘテロジニアスの融合という課題を解決する関係認識グラフ畳み込みネットワークを構築します。さらに、勾配逆伝播とサブグラフ抽出を組み合わせることで、マクロレベルのコンプライアンス判定からミクロレベルのバイアス追跡への解釈可能な飛躍を可能にし、静的な推論しかサポートしていなかった従来のグラフモデルのボトルネックを克服します。
医学領域以外においても、グラフベースの手法や進化的手法における近年の進歩により、構造化された知識処理への幅広い適用可能性が示されています。例えば、Xueらは、オントロジーマッチングにおける適応的な類似性特徴量構築のための多層ハイブリッド遺伝的プログラミングアプローチを提案し、不均一な知識グラフ間での堅牢なアライメントを実現しました34。Chengらは、画像復元におけるグラフ畳み込みネットワークの応用について包括的なサーベイを提供し、デノイジング、超解像、およびデブラーリングの手法を体系的に分類しました35。Liらは、自動機械学習の観点から進化的ディープラーニングに関する詳細なサーベイを提示し、その原理、アルゴリズム、応用、および今後の課題を網羅しました36。Maらは、不確実性下での欠陥認識のためのファジィニューラルアーキテクチャ探索フレームワークを開発し、曖昧なデータの処理における進化的探索の有効性を実証しました37。これらの研究は、複雑な意思決定タスクにおいて、グラフ構造表現と進化的最適化を統合することの潜在的な可能性を強調しています。
本論文の主な目的は、医療AIの法的コンプライアンス分析のための、エンドツーエンドで解釈可能なフレームワークを構築することであり、3つのレベルで革新性を有しています。知識表現レベルでは、法的な条項、医療現場の実務、アルゴリズムモジュール、および責任主体を4種類の異種ノードとしてモデル化した初めての試みです。法実務に基づき、「違反」、「根拠」、「トリガー」、「帰属」という4種類の有向関係を抽出することで、法的な因果論理を持つ有向知識グラフを構築し、コンプライアンス分析のための構造化された意味論的基盤を提供します。バイアスのソース追跡においては、勾配感度に基づくエッジ寄与度の定量化手法を提案しています。誤差逆伝播法により、出力バイアスを最大化するエッジの集合を特定し、次にコミュニティ検出アルゴリズムを適用して寄与度の高いノードをクラスター化することで、「ブラックボックス的なバイアス」を「ホワイトボックス的な責任クラスター」へと変換し、運用可能な証拠チェーンに基づいた帰属分析を可能にします。リアルタイム動的モニタリングレベルでは、リアルタイムのAI出力を知識グラフ空間にマッピングする一時的な決定ノード埋め込みメカニズムを開発しました。埋め込みの近接性の比較に基づき、規範からの逸脱度を定量化し、重要な法技術的エッジの重みの変化を監視することで、システム的バイアスの蓄積を検知します。このパラダイムは、意味論的な断片化と追跡可能性の困難さの両方を解決し、法的コンプライアンスを事後的な検証から事前のガバナンスへと変貌させ、高リスクAIシステムにおける責任の透明性を確保するための拡張可能な技術的経路を提示するものです。
プロトコル
医療AI法務知識グラフのためのグラフニューラルネットワークの構築
図1に示すように、提案されたフレームワークは3つの主要モジュールで構成されています。入力層では、マルチモーダル・エンティティ・エンコーディングと有向エッジ・モデリングを介して、マルチソースデータをヘテロジニアス・グラフに統合します。次に、リレーション認識GCN層が、タイプ固有の重みとアテンションを通じてクロスモーダル意味アライメントを実行し、統一されたノード埋め込みを生成します。最終的に、これらの埋め込みによって、バイアス追跡（勾配バックプロパゲーションとコミュニティ検出による）および動的コンプライアンス監視（リアルタイムのノードマッピングとエッジ重みトラッキングによる）がサポートされ、出力として、規制当局に向けた解釈可能な属性根拠とリスクアラートが提供されます。
図1医療AIのための法的知識グラフおよびバイアス追跡アーキテクチャ。 この図は、提案するフレームワークの全体的なワークフローを示している。入力層では、マルチソースのヘテロジニアスデータ（法的文書、臨床ガイドライン、アルゴリズム監査レポート）を統合し、これらを4つのエンティティタイプ（法的条項、医療行為、アルゴリズムモジュール、責任主体）にエンコードし、4つの有向法的な意味関係（違反、根拠、トリガー、帰属）で接続する。関係認識GCN層は、タイプ固有の重みとアテンションを用いて、クロスモーダルな意味論的アライメントを行う。バイアストラッキングモジュールは、勾配逆伝播を用いて寄与度の高いエッジを特定し、その後、コミュニティ検出を適用してルートノードクラスターを特定する。ダイナミックコンプライアンスモニターは、リアルタイムの決定を一時的なノードにマッピングし、法的条項に対するエンベディングの類似性を評価し、エッジ重みの推移を追跡して早期警告を行う。出力には、解釈可能な帰属根拠とリスクアラートが含まれる。 この図の拡大版を表示するには、ここをクリックしてください。
法人間エンティティおよび関係性の不均一グラフ構造コーディング
医療AI規制法、臨床診療ガイドライン、およびアルゴリズム監査レポートから、法的な条項、医療処置、アルゴリズムモジュール、および責任主体という4つの基本的エンティティが一貫して抽出されます。各エンティティを意味的に区別するため、エンティティの種類ごとに個別の特徴量表現学習モデルを提案します。法的条項ノードは、その条項番号を保持するように構成され、これが法的条項の固有ID（識別子）として使用されます。同時に、その条項に関連する法的責任のレベルを示すペナルティ厳格度定量化指標を定義し、それに基づいた特徴ベクトルを構築します。
（1）
ciはエントリ番号、Emb(·)は低次元埋め込み写像、[·;·]はベクトル結合操作を表します。この表現形式は、法的文章の形式的構造と処罰の厳重さの両方を保持し、陳述をまたいだ推論を可能にします。
医療行動ノードは、臨床操作分類システムに基づいて標準化および符号化され、そのリスクレベル rj ∈ {1,2,3} と、適用可能なシナリオラベルの集合 sj ⊂ S（ここで S は事前定義されたシナリオカテゴリの完全な集合）が抽出されます。ラベル集合の処理にはマルチホットエンコーディングが用いられ、それがリスクレベルの埋め込みと結合されることで、初期表現が形成されます：
（2）
この戦略により、異なる種類の医療行為がベクトル空間内で測定可能な距離関係を持つことが保証され、クロスシナリオでの比較が可能になります。テキスト埋め込み関数 Emb(·) は、大規模な中国語法務コーパスで事前学習された中国語法務言語モデル Lawformer を用いて実装されており、出力次元は 768 に固定されています。
エンティティ間の論理的依存関係および法的制約に基づき、「違反（violation）」、「根拠（basis）」、「トリガー（trigger）」、「帰属（attribution）」の4種類の有向意味関係を定義し、それぞれが異なる法的因果パターンに対応させています。後続のメッセージ伝達による関係性の認識のため、各エッジ eij ⊂ E にはラベルの種類 tij ⊂ T = {violate, base, trigger, attribute} が割り当てられます。エッジの構築はドメインルールの一致メカニズムに厳密に従います。医療行為が規範的な要件から逸脱している場合は、その行為ノードから関連する法的条項へ向かう「違反」エッジを構築します。法的条項が操作の技術的な遵守根拠となる場合は、「根拠」エッジを構築します。アルゴリズムモジュールの出力が特定の医療行為の実行を直接的に誘発する場合は、「トリガー」エッジを接続します。責任の帰属関係は、組織の責任文書および監査結論に基づいて構築され、責任者と違反またはアルゴリズムの欠陥との間に「帰属」エッジを構築します。
すべてのノードが初期化された後、異種グラフ（V, E, H0）が形成されます。ここで、Vはノードの集合、Eはタイプラベルを持つ有向エッジの集合、H0は初期特徴行列です。グラフ構造の意味的な識別能力を高めるため、ノード特徴は以下のように正規化されます：
（3）
μk および σk は、それぞれトレーニングセットにおける k 番目のノード特徴量の平均と標準偏差であり、∈ はゼロ除算を防ぐための小さな定数です。正規化を行うことで、マルチソースの異種特徴量が均一なスケールでグラフ畳み込み演算に寄与し、数値的な支配効果が意味論的な学習を妨げるのを防止します。得られた構造化グラフモデルは、医療AIシステムにおける法、行動、技術、責任という4次元要素のリレーショナル・トポロジーを完全に保持しており、その後のバイアス伝播分析のための計算可能なグラフ基盤を提供します。
クロスモーダルな法的意味論のためのグラフ畳み込みアライメント強化
Relational Graph Convolutional Network（R-GCN）フレームワークを拡張した、関係性を考慮したグラフ畳み込みネットワーク38,39を用いて、初期のヘテロジニアスグラフの複数層にわたって特徴量を伝播させます。R-GCNは一般的な関係データに対して関係ごとの変換行列を導入していますが、本アプローチでは、隣接ノードの寄与を動的に重み付けするための学習可能なアテンションメカニズムをさらに組み込み、医療AIのコンプライアンス分析に特化した4つの具体的な法的・意味的な関係タイプ（violation、basis、trigger、attribution）を定義しています。各層の操作は、エッジの意味的なタイプに基づき、変換プロセスを独立してパラメータ化します。任意のターゲットノードにおいて、その近傍情報は接続エッジのタイプによってグループ化および集約されます。各関係タイプには専用の線形変換行列が備わっており、異なる法的意味パスに沿って伝達される特徴量を区別します40,41。例えば、法条文ノードと医療行為ノード間のエッジが「base」タイプである場合、法条文ノードが医療行為ノードからメッセージを受信する際、対応する重み行列を適用して隣接ノードの特徴量を空間的にマッピングします。同様に、医療行為ノードがエッジ統合スキームモジュールノードの「trigger」を介してアルゴリズムモジュールに出力を送信する場合、この関係に関連付けられたパラメータ行列triggeredが適用され、特徴変換が行われます。これにより、異なる種類の法的ロジックの流動性を模倣し、情報フローにおいてクロスモーダルノイズを排除しつつ、意味的な独立性を維持するために異なるロジック層を実現・通知させます。集約は以下のように定義されます：
（4）
mi(l)は層 l のノード i によって収集された包括的な情報を、Nilは関係 r におけるその隣接ノード集合を、Wrは線形変換行列を、そして hj(l−1)は前層における隣接ノードの埋め込み表現を表します。
メッセージ集約時に学習可能なアテンションメカニズムを導入し、ターゲットノードの表現更新に対する異なる隣接ノードの影響強度を動的に調整します42,43。アテンション係数は、固定の事前重みに依存せず、ノード属性の類似性と法的重要性という2つの要因に基づいて生成されます。法条項ノードにおいて、隣接する医療行為の特徴を受信する際、アテンションスコアは後者に関連付けられた罰則強度の定量化された値に基づいて算出されます。また、アルゴリズムモジュールノードが医療行為情報を融合させる際は、運用リスクレベルが高い隣接ノードに重点を置きます。アテンションウェイトは以下の方法で算出されます：
（5）
αijはノードjからノードiへのアテンション係数であり、aは学習可能なアテンションベクトルです。このモデルにより、エンドツーエンドのトレーニング中に高リスクまたは高制約の接続パスを自動的に識別し、それらに高いアテンションを割り当てることが可能になります。最終的に更新されたノード埋め込みは、重み付きメッセージと残差接続によって決定されます。
（6）
σは活性化関数であり、残差設計（residual design）は深い伝播における勾配消失問題を軽減し、複数の意味的競合が存在する場合でも安定性を保証します。L = 3のグラフ畳み込み層（各層の隠れ次元は256、活性化関数はReLU）を経て、すべてのノードの埋め込みにクロスモーダルな文脈情報がシームレスに組み込まれ、法的な意味的識別能力を持つ統一された表現となります。
ヘルスケアAIにおける2つの代替的な法的コンプライアンス分析図が図 2に示されており、その目的は、法的関係の種類とバイアス伝播の経路を可視化し、この意思決定における潜在的なバイアス源を特定することである。図 2Aは、さまざまな法的意味関係の影響を示しており、4つの関係タイプが色分けされ、各タイプのエッジ（辺）が異なる色で区別されている。エッジの太さは、その特定の関係のアテンションウェイト、すなわち、この関係がAIの決定にどの程度寄与しているかに対応している。太いエッジは、基本的には決定における支配的な法的関係であることを示しており、このケースでは、それが判決結果の十分な根拠となった。ノードのサイズは、違反への寄与度で測定される。ノードが大きいほど、行為と特定の法的条項との関係が強く、したがって潜在的なリスクが高いことを意味する。以上の可視化により、明確な法的意味層が提供され、AIの意思決定における最強かつ最もリスクの高い法的経路を特定することが可能になる。図 2Bにおいても、寄与度の高い経路（バイアス伝播への寄与）が示されており、意思決定プロセスにおいて寄与度の高いエッジが強調され、太字で表示され、破線（例：B1-B3）が添えられている。これらのエッジの幅が2倍になっていることは、システム的なバイアスを拡散させる上での重要性を表している。どのような法的規則と技術的動作の組み合わせが、バイアスのこのような増幅効果をもたらすかは、図 2に示されている。この分析は、バイアス伝播の経路を明らかにするだけでなく、バイアスの起源を特定することを容易にし、それに基づいたコンプライアンス監査およびAIツールの責任を確立することができる。
図2: ヘルスケアAIにおける法的コンプライアンス分析とバイアス伝播（例示的例）。 (A) 色分けされた法的意味関係：違反（赤）、根拠（青）、トリガー（緑）、帰属（オレンジ）。エッジの太さはアテンションウェイトに比例しており、各関係がAIの決定に与える影響を示している。ノードのサイズは違反への寄与度に比例しており、リスクの高いエンティティを強調している。(B) バイアス伝播サブグラフ：寄与度の高いエッジは太い破線で表示されている（例：B1‑B3）。2倍幅のエッジは、システム的バイアスの増幅を示している。この可視化により、支配的な法的パス、バイアスの起源、およびコンプライアンス監査の特定がサポートされる。これは概略的な図解であるため、測定スケールやエラーバーは適用されない。 こちらのリンクをクリックして、この図の拡大版を表示してください。
バイアス伝播パスのためのサブグラフバックトラッキングメカニズム
本研究において、「バイアス」とは、AIシステムの出力が臨床的および法的に期待される決定から系統的に逸脱することを指し、モデルが予測したリスクスコアと正解のコンプライアンスラベルとの乖離によって測定されます。バイアス信号は、アルゴリズムの最終出力とコンプライアンスのバイナリ指標（準拠している場合は1、準拠していない場合は0）との間のクロスエントロピー損失として定量化され、バッチ内のすべての決定事例にわたって集計されます。
グラフニューラルネットワークの学習後、その微分可能性を利用して、出力層におけるバイアス信号のバックプロパゲーション分析を行います。異常を検知したアルゴリズムの決定ノードから開始し、各接続エッジに対する損失関数の勾配の大きさを計算することで、バイアス形成に対する各エッジの寄与度を定量化します。このプロセスは自動微分フレームワークを通じて実装され、グラフ構造内の有向エッジを層ごとに遡ることで、各エッジのパラメータ変換が最終的な出力変化に与える影響力を算出します。勾配の絶対値が大きいほど、そのエッジが運ぶ法技術的な関係性がバイアス伝播においてより支配的であることを示します。エッジの寄与度は以下のように定義されます：
（7）
Lbiasはバイアスのある行動に対して定義された微分可能な損失であり、wiはエッジタイプに対応するエントリ重みベクトルです。この勾配値は、現在の関連性バイアスにおける特定の意味関係の関与度を反映しています。すべてのエッジをこのようにスコアリングした後、動的しきい値τを設定して、寄与度が gij > τ となる高寄与エッジの集合 Ehigh をフィルタリングし、初期バイアス伝播サブグラフ Gbias = (Vbias, Ehigh) を形成します。具体的には、τは各トレーニングエポックにおける全エッジの勾配絶対値の85パーセンタイルとして決定され、これにより、最も影響力の強い上位15%のエッジのみがサブグラフ構築のために保持されるようになります。このサブグラフは、系統的なバイアスを駆動する可能性が最も高い主要な接続パスに焦点を当てており、探索空間を圧縮し、ソース追跡の効率を向上させます。
構築されたバイアス伝播サブグラフ内で、スペクトルクラスタリング誘導コミュニティ検出アルゴリズムを実行し、高度にインラインなノードクラスター構造を特定します。このプロセスは、サブグラフの正規化ラプラス行列分解に基づいており、ノード埋め込みを低次元のスペクトル空間にマッピングし、この空間で密度認識クラスタリング戦略を適用することで、機能的に密接に関連している場合に、異なるタイプのノード（法務条項とアルゴリズムモジュールなど）が同一のクラスターにグループ化されるようにします。特定された各コミュニティは、潜在的な機能ループまたは責任集約ユニットを表します。コミュニティ分割の結果は、以下の最適化目的によって駆動されます。
（8）
L=D−Aはサブグラフのラプラシアン行列、Aは隣接行列、Dは次数行列、ckはk番目のコミュニティの指示ベクトル、そしてKはあらかじめ設定されたコミュニティ数である。この基準はコミュニティ間の最小カット差を最大化し、内部接続を密にすることを保証する。
次に、各コミュニティに対して、層をまたいだ複合ベースの分析を行います。コミュニティに法的条項ノードとアルゴリズムモジュールノードの両方が存在する場合、それはバイアスの潜在的な原因としてタグ付けされます。その因果関係を検証するために、介入試験が実施されます。この領域内のすべてのエッジをグラフから一時的に削除し、同様の意思決定プロセスを再度実行して、バイアス測定値の差を確認します。因果妥当性の尺度は次のように定義されます：
(9)
BorigおよびBmaskは、それぞれ元のモデルのバイアス強度と、マスキング後のバイアスを表します。因果的妥当性の指標が予め設定されたしきい値を大幅に上回る場合、そのノードクラスターは説明可能なバイアスの要因として特定されたことを意味し、これが後のコンプライアンス補正および故障割り当ての指針となります。
法的制約の動的コンプライアンス検証
医療AIシステムの運用中に発生するリアルタイムの意思決定インスタンスは、一時的なノードとして導入され、学習済みの知識グラフ空間に埋め込まれます。各ノードは、その入力コンテキスト、出力動作、およびアルゴリズムの状態を読み取ることで、初期特徴ベクトルを生成します。次に、このベクトルをパラメータが固定されたグラフニューラルネットワークに入力し、1層の順伝播を行うことで、元のグラフ構造を変更せずに知識グラフと整合した埋め込みを生成します。これにより、一時的なノードと法的条項ノードを共通の意味空間で比較することが可能になります。
次に、一時ノードと各法務条項ノードとの間のコサイン類似度を算出します。
（10）
htempは一時ノードの埋め込みであり、hjlawはj番目の法条項ノードの埋め込みである。類似度値は、現在の決定と各法的制約との間の意味的な整合度を実質的に反映している。異なる適用シナリオにおける判定境界を適応させるため、過去のコンプライアンスサンプルの類似度分布に基づいて動的なコンプライアンス閾値θが設定される。具体的には、θ = µ - 2σであり、ここでµおよびσは、既知のコンプライアンス決定インスタンス500件からなる検証セットを用いて算出されたコサイン類似度分布の平均および標準偏差である。
コサイン類似度スコアが動的コンプライアンスしきい値を下回った場合、対応する法の規則が違反しているとみなされ、コンプライアンス警告メカニズムが作動します。通知には、最小一致法的条項番号、類似度、および乖離分析の方向が含まれており、これにより規制当局が迅速に行動することが可能になります。このアプローチは、不透明な意思決定から法的意味論の空間への解釈可能なマッピングを提供し、オンザフライでのコンプライアンスチェックを容易にします。
連続動作において、バイアス伝播サブグラフ内の主要な法務・技術接続エッジの重量変化の傾向を追跡します。特に、アルゴリズムモジュールノードと法規定ノードを接続するエッジに重点を置きます。これは、特定の規制に対する技術的動作の応答強度を直接的に表しているためです。推論中に各ターゲットエッジの変換行列パラメータを記録し、そのノルムを、両者の相関強度の変化を示す動的指標として抽出します。エッジ強度シーケンスを以下のように定義します：
（11）
wtは、タイムスタンプtにおけるエッジeijの関係に対応する重み行列のフロベニウスノルムを表し、Wkl(t)はその時点でモデルで実際に使用されているパラメータ行列である。この指標は、モデルの学習深度または法的制約への依存度を反映している。
シーケンスに対してスライディングウィンドウ単調性テストを行い、改善された符号検定を用いて有意な上昇トレンドが観察されるかどうかを判定します。N個の連続するタイムステップにおける増分が正の支配条件を満たす場合、そのエッジは異常な強化現象を示しているとみなされます。さらに、過去の勾配寄与データを組み合わせ、そのエッジが前回のソーストレーシング解析において高影響パスとして特定されていた場合、システム的なバイアス蓄積の早期警告プロセスが開始されます。
最後に、ターゲットエッジの両端にあるノードに関する情報、重みの変化曲線、関連する決定の頻度の統計、および潜在的な帰属推奨事項を含むソース追跡レポートが生成されます。このメカニズムにより、静的なコンプライアンス判定から動的なリスク予測への飛躍が実現し、潜在的な制度的逸脱に対する先制的な介入が可能になります。
実験データおよび設計
提案されたフレームワークの有効性を検証するため、本論文では実際の規制とシミュレーションデータを統合したマルチソース異種データセットを構築し、厳格な対照実験を設計した。データソースには、国家的な医療AI規制、臨床治療ガイドライン、オープンソースのアルゴリズム監査レポート、およびシミュレーション意思決定ログが含まれる。前処理後、図3に示すように、285個のノード（法的な条項 85、医療行為 120、アルゴリズムモジュール 42、責任主体 38）と1247本の有向エッジを含むベンチマーク異種知識グラフを構築した。
図3不均一なエンティティタイプの分布および特性。 (A) 各エンティティタイプのノード数を示す棒グラフ：法的条項（85）、医療行為（120）、アルゴリズムモジュール（42）、責任当事者（38）。 (B）法的条項ノードにおけるペナルティ強度のヒストグラム。低（0-0.33）、中（0.34-0.66）、高（0.67-1.0）のカテゴリーに分類されており、垂直軸はカウントを表す。（C）医療行為ノードにおけるリスクレベル分布の円グラフ：低（19%）、中（43%）、高（38%）。すべての値は絶対数またはパーセンテージであり、これらはデータセットの記述統計であるため、エラーバーは表示されていない。 こちらの図の拡大版を表示するには、ここをクリックしてください。
図3は、ヘテロジニアス知識グラフにおけるエンティティノードの分布と特性を示しています。図3Aは、4種類のエンティティノードの数の分布を示しており、「medical behavior（医療行為）」ノードが最も多く（120）、次いで「legal clauses（法的条項）」（85）となっており、「algorithm modules（アルゴリズムモジュール）」（42）と「responsible entities（責任主体）」（38）は比較的少数です。これは、グラフが行為とルールに基づいて構造的に設計されているためです。図3Bは、単一の法的条項を表すノードの罰則強度の分布を示しており、ここで強度は法的責任の厳格さを測定しています。データは、罰則強度の高い規定は比較的少なく、ほとんどが中から低強度の範囲にあることを示しており、これは現実の法制度において重大な違反条項がわずかであるという実態と一致しています。図3Cは、医療行為ノードにおけるリスクレベルの分布を示しており、中リスクの行為が最大の割合（43%）を占め、低リスクの行為が最小の割合（19%）となっています。これは、医療シナリオが通常通りに運用されており、高リスクの操作はグラフ内でより厳格な関連制約を受けていることを明らかにしています。これらの統計は、後続のグラフ畳み込みアライメントに特徴サポートを提供するために、知識グラフ構築で採用されたエンティティ曖昧さ回避エンコーディングスキームを正当化するものです。
全データセットは、各分割においてグラフ全体の構造を維持するため、ノードタイプとリレーション分布で層化し、トレーニングセット（70%）、検証セット（10%）、テストセット（20%）にランダムに分割した。公正な比較を確実にするため、すべてのベースライン手法において同一の分割を一貫して使用した。この基本分割に加え、上述の3つの知識グラフ密度勾配（sparse、medium、dense）と3つの管轄区域間複雑性設定（single、bilateral、multilateral）を独立した実践的なテストベッドとして用い、データの完結性と規制の重複条件が異なる状況下での手法の堅牢性を総合的に評価した。バイアス局所化評価のための正解ラベルを構築するために、以下の2段階の戦略を採用した：(1) エキスパートによるアノテーション ―― 3名の法務および医療のエキスパートが決定ログを独立してレビューし、記録された各コンプライアンス違反の根本原因ノードと伝播パスを特定した。不一致が生じた場合は多数決で解決した。(2) シミュレーションによる注入 ―― 制御されたテストを行うため、知識グラフのエッジ重みを摂動させることで、ランダムに選択した20個の決定パスにバイアス信号を人工的に注入し、真のソースノードと影響を受けたエッジがあらかじめ既知であることを確実にした。
すべてのベースライン手法（TransE、ComplEx、Graph Neural Networks (GNN) Explainer、KG-BERT、Node2Vec）において、公平な比較を確保するため、我々の手法と同じトレーニング構成（Adamオプティマイザ、学習率 1 × 10−3、バッチサイズ 64、100エポック）および同じデータ分割を使用しました。TransEおよびComplExでは、埋め込み次元を 256、マージンを 1.0 に設定しました。KG-BERTでは、事前学習済みBERT-baseモデルを使用し、バッチサイズを 16、最大シーケンス長を 128 としました。GNNExplainerでは、隠れ次元 256 の 3層GCNを使用しました。Node2Vecでは、ウォーク長を 80、ノードあたりのウォーク数を 10、埋め込み次元を 256 に設定しました。
公平な比較を行うため、すべてのベースライン手法を、ルートノードの特定および伝播パスの再構成という同一のバイアス局在化タスクに適応させました。本来的に説明可能性を持たないTransE、ComplEx、およびNode2Vecについては、各ノードの埋め込みに対するバイアス損失の勾配を計算し、その勾配の大きさをノード重要度スコアとして使用しました。ルートノードはこれらのスコアに閾値を設けて選択し、伝播パスは勾配寄与度が最も高いエッジを保持することで再構成しました。GNNExplainerについては、組み込みのエッジ重要度およびノードマスク機構を直接利用して、ルートノードとサブグラフの両方を取得しました。トリプレット（三つ組）を操作するKG-BERTについては、各グラフエッジをテキスト形式のトリプレットに変換し、エンティティに対するモデルのアテンションウェイトを用いてノード重要度を導出し、その後、パス再構成のために同様の閾値戦略を用いました。これらの適応により、すべてのベースライン手法でルートノードの予測と伝播パスの予測の両方が可能となり、全手法にわたる統一的な評価が実現しました。
評価は、意味的アライメントの正確性、バイアスの局在化能力、責任追及の効率性、およびドメイン間の汎化性能という4つの基本能力を中心に行われます。また、現実世界の複雑さを模した3つの重要な制御変数も提示されます。
1) ナレッジグラフ密度勾配：情報の完全性のレベルが異なる場合に本手法がどのように機能するかを評価するため、ランダムなエッジ削除戦略に基づき、ベースラインのフルグラフ（密度D = 1.0）から以下の2つのサブセットを作成します。
疎グラフ（D ~ 0.3）：エッジの30%をランダムに保持し、多くの情報が欠落している初期の知識構築段階をシミュレートします。
中密度グラフ (D ~ 0.6): エッジの60%をランダムに保持し、知識構造が部分的に既知である典型的なシナリオをシミュレートします。
高密度グラフ (D = 1.0)：比較的完全な知識が得られているという最良のシナリオに対応する、全1247本のエッジを使用します。
2) 医療AIの意思決定頻度の状況：動的コンプライアンスモニタリングのリアルタイム性能を検証するため、3つの人工的な意思決定フロー負荷を設定します：
低周波数 10 Hz：平均して1秒間に10回の決定イベントが生成され、小規模システムまたは単一サイトシステムのモニタリングをシミュレートします。
中頻度 50 Hz：1秒あたり50回の判定イベントにより、地域または中規模医療機関のAIシステム負荷をシミュレートします。
高周波数 100 Hz：1秒あたり100回の決定イベントにより、大規模病院やクラウドプラットフォームに導入されるAIサービスの高度な並行処理圧力シナリオをシミュレートします。
3) 管轄区域をまたぐ複雑性の勾配：法的制約モデリングの転移性を検証するため、複雑性に基づいた3つのテストセットを構築した：
単一管轄区域：医療AIを規定する現行の中国の法律および規制のみで構成されています。
二国間管轄権：中国と欧州連合（EU）の規制体制を組み込んでおり、ルールの約15%に矛盾や重複が見られる。
多国間管轄権：最初の2つのケースに基づき、さらに米国HIPAA（医療保険の相互運用性と責任に関する法律）のプライバシーおよびセキュリティ規則を統合し、3つの法制度が相互に絡み合うテスト環境を構築することで、ルールの競合率を約25%まで上昇させています。
定量評価には、以下の主要指標を用いました：
1) セマンティックアラインメント精度：法的エンティティと技術的エンティティの間の関係をモデル化するグラフの能力を測定します。
エンティティアライメントの精度：
（12）
Ppredはモデルによって予測されたアライメント済みエンティティペアの集合であり、Pgoldは専門家によってアノテーションされた正解（ゴールデン）アライメントの集合である。
関係保存の完全性：
（13）
Rgraphはグラフ内で再構成された関係の集合であり、Rtextは元の法的文書から抽出された明示的な関係の集合である。
2) バイアス局所化能力：バイアスの根本原因および伝播経路を追跡する有効性を評価します。
ルートノード再現率：
（14）
Npredはモデルによって特定されたバイアスソースノードの集合であり、Ntrueは専門家によってラベル付けされた真のソースノードの集合である。
伝搬経路の精度：
（15）
Epredはモデルによって推論されたバイアス伝搬サブグラフのエッジ集合であり、Etrueは真のバイアス伝搬エッジ集合である。
3) アカウンタビリティ追跡効率：リアルタイムモニタリングシナリオにおけるシステムの性能を検証します。
平均トレーシング遅延：
（16）
Mはリクエストの総数を表し、titriggerおよびtireportは、それぞれi番目のバイアストリガーおよびソースレポート生成時のタイムスタンプである。
システムのスループット：
（17）
Nprocessedは、時間窓ΔT内で正常に処理された同時トレースリクエスト数を表します。
4) ドメイン間汎化能力：異なる法体系に対する本手法の適応性を検証する。
管轄区域の範囲：
（18）
Cencodedはグラフに正常にエンコードされた異なる管轄条項の数を表し、Cinputは入力された条項の総数を表します。
制約競合検出率：
（19）
Dpredはモデルによって検出された法的な論理矛盾の集合であり、Dgoldは専門家によってアノテーションされたすべての矛盾ペアの集合です。
すべての実験は、マルチコアプロセッサとグラフィックス処理装置（GPU）を搭載したワークステーションを用いて行われました。詳細なハードウェア仕様については、材料表に記載されています。
本アプローチの主要なハイパーパラメータとその値は表1にまとめられており、モデル構造とトレーニング設定に加え、埋め込み次元、畳み込み層の数、学習率、バッチサイズなどの重要な閾値が含まれています。すべてのパラメータはグリッドサーチを用いて検証セットに対して調整され、学習済みモデルは安定して収束し、最高の性能を示しました。一部の閾値は、医療AIのコンプライアンスチェックにおける高い信頼性の要件を満たすため、ドメイン基準に基づいて設定されています。
| パラメータ | 値 | 概要 |
| 埋め込み次元 | 128 | ノード埋め込みの特長量次元数 |
| 畳み込み層の数 | 3 | 関係認識グラフ畳み込みネットワークの深さ |
| 学習率 | 0.001 | Adamオプティマイザーの初期学習率 |
| バッチサイズ | 32 | バッチあたりに処理されるサブグラフの数 |
| 脱落率 | 0.1 | トレーニング中にノード特徴量に適用されるドロップアウト確率 |
| アテンションヘッド数 | 8 | マルチヘッドアテンションメカニズムにおけるヘッド数 |
| L2正則化係数 | 5 × 10⁻⁴ | パラメータ正則化のための荷重減衰係数 |
| 類似性の閾値 | 0.75 | コンプライアンス検証のための最小埋め込み類似度 |
| 勾配寄与しきい値 | 0.01 | バイアスサブグラフ構築における高インパクトエッジ選択の閾値 |
| モニタリングウィンドウサイズ | 10 | エッジウェイトの動態追跡に使用したタイムステップ |
表1：主要パラメータ設定。実験で使用した主要ハイパーパラメータの一覧：埋め込み次元 (256)、GCN層数 (3)、隠れ層次元 (256)、学習率 (1 × 10−3)、バッチサイズ (64)、アテンションベクトルの次元、エッジ寄与度のしきい値（勾配強度の第85パーセンタイル）、動的コンプライアンスしきい値（µ‑2σ、ここでµおよびσは500個のコンプライアントインスタンスからなる検証セットから算出）、コミュニティ数 K（スペクトラルクラスタリングにより決定）、およびオプティマイザ (Adam)。これらの値は、検証セットを用いたグリッドサーチにより選定した。
結果
医療AI法務知識グラフにおけるバイアス起点追跡の性能検証
関係性認識グラフ畳み込みの性能
関係性を認識するグラフ畳み込みネットワークを学習させることで、異なる畳み込み層における法的な条項と医療行為のノード間の埋め込み類似度を算出し、各層のアライメント効果を記録した。次に、学習後に4つの法的意味関係に割り当てられたアテンション重みを統計的に分析し、特徴量集約における各関係タイプの重要性を定量化した。最後に、距離に伴う近傍ノードの影響の減衰パターンを分析した。異なるジャンプ距離を持つノードが中心ノードの特徴量更新に与える寄与度を算出することで、影響の伝播強度を定量化し、メッセージパッシングメカニズムの有効範囲を評価した。評価プロセス全体は、モデルの内部パラメータと活性化状態の定量分析に基づいて行われ、結果の客観性と再現性を確保した。
図4は、クロスモーダルな法的意味アライメントにおける関係認識グラフ畳み込みネットワークの性能を示しています。図4Aは、畳み込み層の数が増えるにつれてノード埋め込みの類似性が変化する傾向を描いており、第1層の0.12から第4層の0.68まで徐々に増加しています。この漸進的な傾向は、多層メッセージパッシングに沿って、法的条項空間と医療行為空間が徐々に共存するためです。深い畳み込み層は、クロスモーダルな意味的関連性の複雑なパターンを学習することができます。図4Bは、4種類の法的意味関係に対するアテンション重みの分布を示しており、「違反（violation）」関係が0.35という最大の重みを得ています。これは、モデルが妥当なリスク管理をサポートするために違反との関連性に注目するという、法令遵守分析の基本原則と一致しています。図4Cは、近傍ノードのマルチホップ影響蓄積パターンを示しています。測定された影響強度は、1ホップの0.15から8ホップの0.92まで単調に増加しており、これは中心ノードの埋め込みが、遠いノードからのより広範な構造情報を漸進的に取り込んでいることを示しています。この予想外の増加は、実際には中心ノードの遠いノードに対する間接的な依存性を捉えています。ノードをより大きなホップ距離で捉えると、より多くのノイズや冗長な情報を含みつつ、よりグローバルな構造情報を得ることができます。したがって、実際の応用においては、受容野のサイズと情報の質のバランスを調整する必要があります。データ変換全体により、関係認識メカニズムが異質な法的テキストと技術的行為の間の接続を処理するのに有効であること、および差別化された引数設計によって法的意味論を正確にモデル化できることが実証されました。
図4関係意識グラフ畳み込みネットワークにおけるクロスモーダル意味アライメント性能。(A) GCNレイヤー数（1〜4）の関数として表したノード埋め込みの類似度（コサイン類似度）。法的な行動空間と医学的な行動空間の間でアライメントが向上していることを示している。 (B4つの関係タイプ（違反、根拠、トリガー、帰属）におけるアテンション重みの分布。違反が最大の重み（0.35）を示している。C) 近接ノードの影響力の強さとホップ距離（1～8）の関係。マルチホップの構造情報がどのように蓄積されるかを定量化している。すべての値は30回の独立した試行の平均値である。視認性を高めるため省略しているが、誤差棒の標準偏差はいずれの場合も0.05未満であり、傾向は単調である。 この図の拡大版を表示するには、ここをクリックしてください。
関係性を考慮したグラフ畳み込みネットワークにおいて、パラメータ最適化プロセスおよび異なる種類の法的意味関係の性能特性を理解するため、パラメータ最適化による各関係タイプの重み行列の平均大きさを算出し、誤差逆伝播法によってパラメータ学習が収束したことを確認した。特徴量集約の品質については、コサイン類似度を用いて異なるタイプ間のノード埋め込みの一貫性を評価した。収束率は、各トレーニングラウンドにおける損失関数の減少量によって算出され、トレーニング中に各関係タイプが安定した状態を維持していることを確認した。アテンションの安定性は、異なるトレーニング段階におけるアテンション重みの標準偏差を算出することで評価した。計算効率の指標は、比較の公平性を担保するため、浮動小数点演算数に基づいて標準化した。統計的な有意性を確保するため、すべての指標について、異なる乱数シードを用いて同一のテストセットで30回実行した。提案手法と各ベースラインとのペア比較には、自由度29の対応のあるt検定を実施した。
図 5は、関係認識グラフ畳み込みネットワークにおける、パラメータ最適化の効果および各種の法的意味関係の性能特性を示しています。図 5Aは、4つの関係タイプの専用重み行列の大きさの分布を示しており、縦軸は関係タイプを、横軸は学習されたパラメータ行列の大きさの値を表しています。「違反（violation）」関係が最大の大きさである0.78を達成しており、この意味タイプがモデルにおいて支配的であること、および法的コンプライアンス分析における違反特定への重点が反映されていることを示しています。図 5Bは、異なる関係タイプにおける特徴量集約の品質スコアを比較したもので、縦軸は関係タイプを、横軸は集約効果のスコアを表しています。ここでは、「違反」関係が特徴量融合の品質においても最高値（0.89）を示しています。図 5Cは、各種関係の収束率の性能を描いており、縦軸は関係タイプを、横軸はトレーニング1ラウンドあたりの損失減少率を表しています。値は順に、違反、ベース、トリガー、帰属（attribution）であり、それぞれ 0.023、0.031、0.028、0.035 です。その結果、「帰属」関係は収束が遅いものの、安定していることがわかります。図 5D は、トレーニングの3つのステージにおけるアテンション重みの分散を示しています。y軸はトレーニングステージ（初期、中期、後期）を表し、x軸は左から右へアテンション重みの分散を表しています。対応する数値は 0.18（初期）、0.12（中期）、0.08（後期）であり、トレーニングが進むにつれて、モデルが顕著な関係への集中を段階的に安定させていくことを示しています。図 5Eは、異なる関係における計算効率のトレードオフを示しています。y軸は関係のタイプに対応し、x軸は正規化された実行時間に対応しており、これは特定のタスクを完了するための計算リソースの使用量として定義されます。数値は 0.42（違反）、0.39（ベース）、0.43（トリガー）、0.38（帰属）です。クラス間の分布は均衡しており、関係認識メカニズムが性能を低下させることなく良好なリソース配分を行っていることを示しています。
図 5: 畳み込みパラメータの最適化およびリレーション認識グラフの性能分析。 (A) 各リレーションタイプに対する専用重み行列の大きさ（フロベニウスノルム）。(B) リレーションタイプごとの特徴量集約品質スコア（コサイン類似度の整合性）。(C) リレーションタイプごとの収束率（トレーニングエポックあたりの損失減少量）。(D) トレーニングの初期、中期、後期の各段階におけるアテンション重みの分散であり、安定化を示している。(E) リレーションタイプごとの正規化された実行時間（相対的な計算コスト）。すべてのメトリクスは30回の試行の平均であり、エラーバーは標準偏差を表す（視認可能な箇所に表示）。violationリレーションは最大の大きさと集約品質を示し、attributionは収束は遅いが安定している。こちらのリンクをクリックして、この図の拡大版を表示してください。
意味論的アライメント精度
エンティティアライメントの精度と関係維持の完全性をコア指標として用います。ナレッジグラフの密度勾配（疎/中/密）という条件下で、提案手法をTransE、ComplEx、GNNExplainer、KG-BERT、およびNode2Vecと比較しました。すべての手法を30回実行し、ランダム性の影響を排除するために平均値と標準偏差を算出しました。
図6 提案手法と複数のベンチマーク手法との性能比較を、エンティティアライメント精度と関係保持完全性という2つの主要な指標に基づき、異なるナレッジグラフ密度条件下で示しています。 図6A および 6B横軸は異なる手法を、縦軸はそれぞれエンティティアライメント精度とリレーション保持整合性を表しています。
図6異なるグラフ密度における意味論的アライメントの性能。 (A) エンティティアライメント精度（式12）、および（B）関係保存整合性（式13）。提案手法をTransE、ComplEx、GNNExplainer、KG-BERT、およびNode2Vecと比較した。棒グラフの高さは30回の試行における平均値を示し、エラーバーは標準偏差を表す。提案手法は、すべての密度において少なくとも0.92の正解率と0.88の整合性を達成し、すべてのベースラインを上回った。 こちらの図の拡大版を表示するには、ここをクリックしてください。
エンティティアライメント精度の観点から見ると、提案手法は異なる密度条件下で優れた性能を示し、平均エンティティアライメント精度は0.92を下回らず、特に密なグラフにおいて最高レベルに達しました。これは、構築された関係性認識グラフ畳み込みネットワークが、異種ノード間の意味的関連性を効果的に捉え、エッジタイプ固有の重みとアテンションメカニズムを通じてクロスモーダル特徴の効率的なアライメントを実現できることを示しています。対照的に、特にTransEやNode2Vecなどの従来手法は、法的な意味関係の明示的なモデリングが欠如しているため、性能が低下しています。提案手法の優位性は、関係保持完全性の結果によっても検証されており、平均関係保持完全性は0.88を下回らず、これは本手法が異なるグラフ密度において、元の法律テキスト内の明示的な関係性を十分に再構築できることを示しています。この堅牢な性能は、異種グラフ構造エンコーディングと多層メッセージパッシングスキームによるものであり、これにより法的な条項、医療行為、アルゴリズムモジュール、および責任主体間の複雑な関係を包括的に捉えることが可能となりました。GNNExplainerやKG-BERTはある程度の関係モデリング能力を示していますが、法的な規範的意味論に適用した場合にはどちらも制約があり、その性能は提案手法に及びませんでした。
バイアス局在化能力の比較
バイアス局在化の評価は、根本原因ノードのファクト再現率（recall）と伝播パスの適合率（precision）に基づく2つの指標による協調検証フレームワークを通じて行われ、これはソースの追跡完遂度とパスの正確性を検証するものである。公正なテストを行うため、すべての比較手法は、同一のバイアスシミュレーション注入プロトコルおよび評価インターフェース定義を用い、同一のグラフ構造入力に対して実行される。ランダムな変動を軽減するため、異なる乱数シードを用いて各実験を30回繰り返す。結果は平均値として提示される。 ±± 標準偏差および対応のあるt検定を用いてp値を算出（本論文の手法との比較）し、評価結論の統計的な妥当性と比較可能性を担保している。p値は、自由度29（30回の独立した試行に基づく）の対応のあるt検定から導出された。提案手法と各ベースラインとの比較におけるt統計量は7.82から12.45の範囲にあり、これが報告されたp値に対応している。
表2は、異なる手法のバイアス局所化能力に関する定量評価の結果を示しており、性能の2つの主要指標として、ルートノードの再現率（recall）と伝播パスの適合率（precision）を用いています。ルートノードの再現率において、提案手法はすべてのベースラインよりも有意に優れており、最高レベルの再現率 0.95 ±± 0.02 を達成しました。これは、2番目に優れた GNNExplainer 法（0.82 ±± 0.03）よりも有意に高く、他の手法とはより顕著な差があります。この優位性は、本論文で提案した勾配認識定量化メカニズムによるものであり、これによりグラフ内におけるバイアス信号の伝播パスを正確に追跡し、寄与度の高いソースノードを効果的に認識することが可能になります。対照的に、古典的な手法である TransE および Node2Vec は、エッジタイプの意味的な違いを捉える手段がないため、バイアス伝播パスと通常の関係を明確に区別できず、再現率はそれぞれ 0.75 ±± 0.04 と 0.72 ±± 0.05 に留まりました。KG-BERT は学習済み言語モデルを導入しているものの、グラフ構造内での情報フローに制約があり、再現率は 0.70 ±± 0.04 でした。
| 方法 | ルートノード想起 | p値（ルートノード再現率） | 伝搬経路の精度 | p値（伝播経路精度） |
| 提案された | 0.95 ± 0.02 | - | 0.93 ± 0.03 | - |
| TransE | 0.75 ± 0.04 | 1.23 × 10⁻8 | 0.78 ± 0.05 | 2.45 × 10⁻7 |
| ComplEx | 0.78 ± 0.03 | 8.91 × 10⁻9 | 0.81 ± 0.04 | 1.67 × 10⁻8 |
| GNNExplainer | 0.82 ± 0.03 | 3.45 × 10⁻7 | 0.86 ± 0.04 | 9.21 × 10⁻9 |
| KG-BERT | 0.70 ± 0.04 | 5.67 × 10⁻8 | 0.73 ± 0.05 | 4.32 × 10⁻8 |
| Node2Vec | 0.72 ± 0.05 | 7.89 × 10⁻9 | 0.75 ± 0.06 | 1.54 × 10⁻7 |
表2：ルートノード再現率および伝播パス適合率 全手法におけるバイアス局在化の性能比較。値は平均値として報告されている。 ±± 30回の独立した試行における標準偏差。ルートノード再現率（式14）および伝播経路適合率（式15）を示す。提案手法は最高の再現率（0.95 ±± 0.02) および精度 (0.93 ±± 0.03)、ベースラインを大幅に上回った（対応のあるt検定、p < (すべての比較においてp < 0.001)。
本手法は、伝播経路の精度においても0.93 ±± 0.03という値で最高であり、他の手法を上回っています。これにより、本手法が提案するサブグラフバックトラッキングの手順が、ノイズエッジを効果的に排除し、実際のバイアス伝播経路を特定できることが証明されました。p値の分析は、性能における有意な差を裏付けており、すべてのベースライン手法は提案手法と極めて有意な差（p < 0.001）を示しています。このことは、バイアス局在化問題における提案手法の堅牢性と有効性を保証するものです。ComplExおよびGNNExplainerが比較的高い性能を示したことは、バイアス検出における複雑な関係構造とグラフニューラルネットワークの説明可能性の重要性を示唆している可能性がありますが、本論文で提示したエンドツーエンドのソリューションには及びません。
責任追跡の効率評価
評価は、平均トレーシング遅延と同時リクエストのスループットの2つの主要な効率指標を用いて、アカウンタビリティ追跡システムのリアルタイム応答について行われました。実験は、3つの医療AI意思決定頻度（低頻度、中頻度、高頻度）で実施されました。公平な比較のため、すべての手法に同一の入力ストリームを供給し、トレーシング手順全体を実行させました。
図7は、異なる医療AI意思決定頻度における、責任追跡効率を異なる手法間で比較したものである。結果は左から順に検討した手法を示している。各ラインは、低頻度、中頻度、および高頻度の医療AI意思決定としてラベル付けされている。
図7平均ソース追跡レイテンシおよび同時リクエスト処理スループット。 (A) 手法ごとの平均トレース遅延時間（ms）；(B手法別のスループット（リクエスト/秒）。線は30回の試行の平均値を結んだものである。エラーバー（表示されている場合）は標準偏差を示す。提案手法は、すべての周波数において最も低いレイテンシ（42‑55 ms）と最も高いスループット（190‑230 req/s）を維持しており、優れたリアルタイム性能を示している。 こちらの図の拡大版を表示するには、ここをクリックしてください。
平均トレーシング遅延において、提案手法はすべての周波数条件下で最良の結果を示し、さらに、他のすべての手法は提案手法よりも有意に高い遅延を示しました。すべての手法において、トレーシング遅延は一般に決定周波数とともに増大しますが、提案手法の増大は緩やかであり、低周波数で42 milliseconds、高周波数で55 millisecondsでした。この優位性は、本手法が意識的関係グラフ畳み込みネットワーク（aware-relational graph convolutional network）に基づいていることに起因します。これにより、法的な意味関係のタイプごとに異なる重み行列を割り当てることができ、古典的なアプローチにおける高コンカレンシー下での汎用パラメータ共有に伴う計算オーバーヘッドを回避しています。対照的に、テンソル分解に基づくTransEおよびComplExは、高周波数において急激に性能が低下します。これらは、法的・技術的な関係における長距離相互作用の非線形変換を効率的に処理できず、その結果、遅延が増大します。リクエストペアの処理時間においても、本論文の手法がより優れています。低周波数の設定において、スループットは230 requests/secondであり、他のアプローチを大きく上回りました。周波数の上昇に伴いスループットは低下しますが、その減少量は高周波数のシナリオにおいても制御可能であり、スループットは依然として190 requests/secondに達しています。この堅牢性は、本アプローチにおける一時的なノード埋め込み戦略と勾配逆伝播パス並列設計によるものであり、これによりリクエストを効率的にバッチ処理しながら、バッチトレーシングの精度を保証することが可能です。一般的なアプローチは、特化した最適化が行われていないため、同時クエリに直面すると性能が著しく低下し、リアルタイム監視には適していません。
法的制約カバレッジのドメイン間汎化能力の検証
評価手順は、法的制約モデリングのドメイン横断能力という観点から実施され、定量化のための2つの指標として、管轄区域の網羅性と制約競合検出率を用います。実験では、単一管轄、二国間管轄、多国間管轄という3つのレベルの管轄区域をまたぐ複雑性を設計しました。アーキテクチャの違いによって導入される評価バイアスを排除するため、すべての比較手法を30回繰り返し、平均結果を報告することで、汎化能力について公正な比較を行います。
表 3 に示す通り、このアプローチは3つの法的管轄区域の複雑性において、すべてのベースラインよりも一貫して優れた結果を達成しており、性能の低下もより緩やかです。単一の法的管轄区域のシナリオでは、94%の法的カバレッジで、約89%の競合検出率を実現しています。多国間法的管轄区域に一般化した場合でも、81%の競合検出率で87%のカバレッジを提供することが可能です。対照的に、従来の埋め込み手法（TransEやNode2Vecなど）は、多国間環境においてカバレッジが約60%まで低下し、一般的に競合検出率も低くなることから、法域をまたぐ意味的な異質性の処理に適していないことが示唆されます。一方で、KG-BERTやGNNExplainerは、追加の学習済み言語モデルや解釈モジュールによって一定の改善が見られるものの、法的管轄区域が重複する状況下では依然として大幅な性能低下に見舞われます。
| 手法 | 管轄権設定 | 法域ドメイン網羅率 | 制約競合検出率 |
| 提案手法 | 単一 | 0.94 ± 0.02 | 0.89 ± 0.03 |
| 二国間 | 0.91 ± 0.03 | 0.85 ± 0.04 | |
| 多国間 | 0.87 ± 0.04 | 0.81 ± 0.05 | |
| TransE | 単一 | 0.76 ± 0.05 | 0.52 ± 0.06 |
| 二国間 | 0.68 ± 0.06 | 0.45 ± 0.07 | |
| 多国間 | 0.61 ± 0.07 | 0.38 ± 0.08 | |
| ComplEx | 単一 | 0.79 ± 0.04 | 0.55 ± 0.05 |
| 二国間 | 0.72 ± 0.05 | 0.48 ± 0.06 | |
| 多国間 | 0.65 ± 0.06 | 0.41 ± 0.07 | |
| GNNExplainer | 単一 | 0.82 ± 0.04 | 0.61 ± 0.05 |
| 二国間 | 0.75 ± 0.05 | 0.54 ± 0.06 | |
| 多国間 | 0.68 ± 0.06 | 0.47 ± 0.07 | |
| KG-BERT | 単一 | 0.80 ± 0.04 | 0.58 ± 0.05 |
| 二国間 | 0.73 ± 0.05 | 0.51 ± 0.06 | |
| 多国間 | 0.66 ± 0.06 | 0.44 ± 0.07 | |
| Node2Vec | 単一 | 0.74 ± 0.05 | 0.49 ± 0.06 |
| 二国間 | 0.66 ± 0.06 | 0.42 ± 0.07 | |
| 多国間 | 0.59 ± 0.07 | 0.36 ± 0.08 |
表3：管轄区域のカバー率および制約競合検出率。単一、二国間、および多国間の法的管轄区域におけるクロスドメイン汎化結果。管轄区域のカバー率（式18）および制約競合検出率（式19）は、30回の試行における平均 ±± 標準偏差（SD）として示している。提案手法は、最も複雑な多国間設定においても高いカバー率（≥87%）および検出率（≥81%）を維持しているが、ベースライン手法は大幅に低下している。
この不一致は、根本的なモデリングプロセスが完全に異なることに起因します。既存のナレッジグラフ埋め込みアプローチ（例：TransE、ComplEx）は、モデリングに静的なベクトル空間における幾何学的関係を利用しており、「禁止」や「許可」といった二値の法的意味論を区別しません。そのため、異なる法体系における同一の医療行為に対する微妙な規制を扱うことができません。一方、KG-BERTはテキストのコンテキストを捉えることはできますが、明示的な構造的推論能力に欠けており、条項間の規範的な依存関係や相反する制約を用いた推論が困難です。これに対し、提案モデルは4種類の法的意味論的エッジ（「違反」、「根拠」、「トリガー」、「帰属」）を拡張することで有向異種グラフを構築し、関係性を考慮したグラフ畳み込みと勾配逆伝播を統合します。その結果、提案モデルは法的ロジックの因果方向性を維持するだけでなく、意味的に並行する条項を動的に整合させ、法務ドメインのマルチソース入力における矛盾するルールを検出できます。したがって、義務の頻繁な衝突、責任の重複、あるいは多国間法体系内での適用優先順位が不透明であるといった複雑なシナリオにおいて、本手法は構造的な方法で矛盾の原因を正確に特定し、高い網羅性と精度でドメインを跨いだ推論へと変換する手段を提供します。
アブレーション解析
各コアコンポーネントの寄与を分離するため、密グラフ（D = 1.0）の設定において、フレームワーク内の主要モジュールを削除または置換するアブレーション研究を実施しました。具体的には、フルモデルを以下の3つのバリアントと比較しました：(1) リレーション認識畳み込みなし（w/o relation-aware convolution）：すべてのエッジタイプが単一の変換行列を共有する設定。(2) アテンションメカニズムなし（w/o attention mechanism）：近傍の寄与を均等に平均化する設定。(3) 勾配バックトラッキングなし（w/o gradient backtracking）：勾配に基づくサブグラフ再構築の代わりに、単純なノード次数ヒューリスティックを用いてバイアス源を特定する設定。
表4にアブレーション解析の結果を示しており、各コンポーネントの明確な寄与が明らかになっています。リレーション認識畳み込み（relation‑aware convolution）を削除した場合に最も大幅な性能低下が見られ、ルート再現率（root recall）は0.95から0.81へ、パス適合率（path precision）は0.93から0.78へと低下しました。これは、すべてのリレーションタイプで単一の変換行列を共有すると、クロスモーダルアライメント中に大幅な情報損失が生じるため、法的リレーションの意味的な多様性を捉えるにはタイプ特異的なエッジモデリングが不可欠であることを裏付けています。アテンションメカニズムも顕著に寄与しており、これを削除するとルート再現率は0.88に、パス適合率は0.85に低下します。これは、隣接メッセージの動的な重み付けが、影響力のある法的パスを識別するモデルの能力を向上させていることを示していますが、その影響はリレーション認識よりも二次的なものです。勾配バックトラッキング（gradient backtracking）の削除では、再現率の低下は最小限（0.91）でしたが、パス適合率の低下は最大（0.76）となりました。このことは、単純なヒューリスティックでもある程度のソースノードの特定は可能であるものの、伝播構造の精密な再構築は勾配ベースの感度解析に大きく依存していることを示唆しています。全体として、これら3つのコンポーネントすべてがフレームワークのバイアス局所化性能に有意義に寄与しており、なかでもリレーション認識畳み込みが最も不可欠であり、パスレベルの精度には勾配バックトラッキングが欠かせないことが分かりました。
| モデルバリアント | ルートリカール（根管再治療） | パス精度 |
| フルモデル | 0.95 ± 0.02 | 0.93 ± 0.03 |
| 関係認識畳み込みなし | 0.81 ± 0.03 | 0.78 ± 0.04 |
| アテンションメカニズムなし | 0.88 ± 0.02 | 0.85 ± 0.03 |
| 勾配バックトラッキングなし | 0.91 ± 0.03 | 0.76 ± 0.05 |
表4：高密度グラフ（D = 1.0）におけるアブレーション研究の結果。 主要コンポーネントを除去した際の影響：（関係認識畳み込みなし）、（アテンションメカニズムなし）、および（勾配バックトラッキングなし）。指標（ルートリコールおよびパス精度）は平均値である。 ±± 30回の実行における標準偏差（SD）。フルモデルが最高の性能を示しており、各コンポーネントが有意義に寄与していることが確認され、特に関係認識畳み込み（relation‑aware convolution）が最も重要であることが示された。
データ可用性：
本研究で生成および解析された構造化ヘテロジニアス知識グラフデータセット（4つのエンティティタイプにわたる285個のノードおよび4つの正当な意味論的関係を持つ1,247個の有向エッジを含むすべてのノードおよびエッジデータ）は、DOI: https://doi.org/10.6084/m9.figshare.33117644 のもと、Figshareリポジトリに保存されています。これらのデータは、本論文の公開日時点で公開されています。対応するデータセットファイルは、以下として提供されています。 補足ファイル 1.
補足ファイル 1：本研究で使用したデータセットファイル。こちらをクリックしてファイルをダウンロードしてください。
ディスカッション
医療AIを臨床的意思決定に統合することは、責任帰属における法的な課題を引き起こしますが、これは構造化されていない法的文書とブラックボックス化したアルゴリズムとの間の意味的な乖離によって妨げられています。これを解消するため、我々は法的条項、医療行為、アルゴリズムモジュール、および責任当事者を異種ノードとしてモデル化し、4つの有向法的・意味的関係（違反、根拠、トリガー、帰属）を介して接続するGNNベースのナレッジグラフを提案しました。この構造は、クロスモーダルアライメントおよびバイアス追跡のための計算可能なインターフェースを提供します。
本手法は、すべての指標において優れた性能を達成しています。さまざまなグラフ密度において、エンティティアライメント精度（≥0.92）および関係保持率（≥0.88）は、TransE、ComplEx、およびKG‑BERTを上回りました。バイアス局所化では、ルート再現率（0.95 ±± 0.02）およびパス適合率（0.93 ±± 0.03）が得られ、GNNExplainerを大幅に上回りました。動的モニタリングでは、低レイテンシ（42–55 ms）と高スループット（190–230 req/s）を維持し、管轄区域をまたいだテストでは、堅牢なカバレッジ（≥87%）と衝突検出率（≥81%）を示しました。これらの結果は、解釈可能なバイアストレーシングにより、法的な意味論と技術的な意味論が効果的に橋渡しされたことを裏付けています。
我々の成功を支えているのは、3つの革新的な手法である：(1) 型定義された法的・意味論的なエッジにより、一様な埋め込みでは見落とされがちな因果的および規範的な区別を捉えることができる20,21。(2) 関係タイプごとの専用変換行列を用いた関係認識畳み込みにより、意味的な特異性を維持しつつ、タイプ間での情報交換を可能にする38,39。(3) 勾配ベースの寄与度定量化とコミュニティ主導のクラスタリングにより、グローバルなバイアスをローカルなソース特定へと変換し、事後説明者の限界を克服する32,33。これにより、コンプライアンスは静的なルールチェックから、動的で構造を認識した推論へと移行する。
制限事項としては、手動で定義された関係抽出への依存や、曖昧な句への対応の困難さが挙げられる。今後の課題として、法的論理の形式化（例：撤回可能論理26,27）と、変化する規制に対応するためのオンライン学習を統合し、他のハイリスク領域（自動運転、金融など）へ拡張する。また、ユーザー・イン・ザ・ループによるフィードバックを通じて、アトリビューションをさらに精緻化する。これらの方向性により、グラフベースの説明可能なAIが、信頼できるインテリジェントシステムの基盤として確固たるものになるだろう。
開示事項
本原稿は、これまでに発表されておらず、また他の学術誌への投稿検討も行われていません。著者はすべて論文の内容を承認しています。著者は、金銭的な利益相反がないことを宣言します。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| ComplEx | オープンソース実装（例：OpenKE） | バージョン 1.0 | 知識グラフ比較のための複素数埋め込みベースライン |
| GNNExplainer | オープンソース実装 (https://github.com/RexYing/gnn-explainer) | コミット 7a3b6a2 (2021) | バイアス追跡のためのGNN解釈可能性ベースライン |
| Intel Xeon Gold 6248 (CPU) | Intel Corporation | SRF7F | モデルトレーニングおよびデータ前処理用の中央プロセッサ |
| KG-BERT | HuggingFace Transformers + BERT-base | BERT-base-uncased (HuggingFace) | 意味的アライメントのためのTransformerベースの知識グラフ埋め込みベースライン |
| Node2Vec | オープンソース実装 (https://github.com/aditya-grover/node2vec) | バージョン 1.0 | ランダムウォークに基づくノード埋め込みのベースライン |
| NVIDIA Tesla V100 (GPU) | NVIDIA Corporation | 900-2G500-0010-000 | 高性能GPUによるグラフニューラルネットワーク学習の加速 |
| 提案手法（関係認識GCN） | PyTorchによるカスタム実装 | PyTorch 1.12.0 | リレーションごとの変換、アテンション、および勾配バックトラッキングを備えた提案フレームワーク |
| TransE | オープンソース実装（例：OpenKE） | バージョン1.0 | ナレッジグラフ比較のための翻訳埋め込みベースライン |
参考文献
- Wang Y, Ma Z. Ethical and legal challenges of medical AI on informed consent: China as an example. Dev World Bioeth. 2025;25(1):46-54.
- Sand M, Durán JM, Jongsma KR. Responsibility beyond design: Physicians' requirements for ethical medical AI. Bioethics. 2022;36(2):162-169.
- Schultz MD, Seele P. Towards AI ethics' institutionalization: knowledge bridges from business ethics to advance organizational AI ethics. AI Ethics. 2023;3(1):99-111.
- Magesh V, et al. Hallucination-Free? Assessing the reliability of leading AI legal research tools. J Empir Leg Stud. 2025;22(2):216-242.
- Patil S, Shankar H. Transforming healthcare: harnessing the power of AI in the modern era. Int J Multidiscip Sci Arts. 2023;2(2):60-70.
- Birkstedt T, Minkkinen M, Tandon A, Mäntymäki M. AI governance: themes, knowledge gaps and future agendas. Internet Res. 2023;33(7):133-167.
- Mohammad Amini M, et al. Artificial intelligence ethics and challenges in healthcare applications: a comprehensive review in the context of the European GDPR mandate. Mach Learn Knowl Extr. 2023;5(3):1023-1035.
- Pasham SD. Opportunities and difficulties of artificial intelligence in medicine existing applications, emerging issues, and solutions. The Metascience. 2023;1(1):67-80.
- Vearrier L, et al. Artificial intelligence in emergency medicine: benefits, risks, and recommendations. J Emerg Med. 2022;62(4):492-499.
- Peng Y, Rousseau JF, Shortliffe EH, Weng C. AI-generated text may have a role in evidence-based medicine. Nat Med. 2023;29(7):1593-1594.
- Alam MN, Kaur M, Kabir MS. Explainable AI in healthcare: enhancing transparency and trust upon legal and ethical consideration. Int Res J Eng Technol. 2023;10(6):1-9.
- Sorantin E, et al. The augmented radiologist: artificial intelligence in the practice of radiology. Pediatr Radiol. 2022;52(11):2074-2086.
- Borger JG, et al. Artificial intelligence takes center stage: exploring the capabilities and implications of ChatGPT and other AI-assisted technologies in scientific research and education. Immunol Cell Biol. 2023;101(10):923-935.
- Chikhaoui E, Alajmi A, Larabi-Marie-Sainte S. Artificial intelligence applications in healthcare sector: ethical and legal challenges. Emerg Sci J. 2022;6(4):717-738.
- Kerasidou CX, Kerasidou A, Buscher M, Wilkinson S. Before and beyond trust: reliance in medical AI. J Med Ethics. 2022;48(11):852-856.
- Polineni TNS, Maguluri KK, Yasmeen Z, Edward A. AI-driven insights into end-of-life decision-making: ethical, legal, and clinical perspectives on leveraging machine learning to improve patient autonomy and palliative care outcomes. Migr Lett. 2022;19(6):1159-1172.
- Galiana LI, Gudino LC, González PM. Ethics and artificial intelligence. Rev Clin Esp (Engl Ed). 2024;224(3):178-186.
- Paladugu PS, et al. Generative adversarial networks in medicine: important considerations for this emerging innovation in artificial intelligence. Ann Biomed Eng. 2023;51(10):2130-2142.
- Harris E. Large language models answer medical questions accurately, but can't match clinicians' knowledge. JAMA. 2023;330(9):792-794.
- İpek ZH, Gözüm AIC, Papadakis S, Kallogiannakis M. Educational applications of the ChatGPT AI system: a systematic review research. Educ Process Int J. 2023;12(3):26-55.
- Kim C, et al. Transparent medical image AI via an image-text foundation model grounded in medical literature. Nat Med. 2024;30(4):1154-1165.
- Wang YH, Lin GY. Exploring AI-healthcare innovation: natural language processing-based patents analysis for technology-driven road mapping. Kybernetes. 2023;52(4):1173-1189.
- Pruneski JA, et al. Natural language processing: using artificial intelligence to understand human language in orthopedics. Knee Surg Sports Traumatol Arthrosc. 2023;31(4):1203-1211.
- Chen RJ, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng. 2023;7(6):719-742.
- Yang Y, et al. The limits of fair medical imaging AI in real-world generalization. Nat Med. 2024;30(10):2838-2848.
- Almarshadi NF, et al. Clinical and medical coding: a new pathway for automation—an updated review. J Med Life Sci. 2024;6(4):633-651.
- Osifowokan AS, Agbadamasi TO, Adukpo TK, Mensah N. Regulatory and legal challenges of artificial intelligence in the US healthcare system: liability, compliance, and patient safety. World J Adv Res Rev. 2025;25(3):949-955.
- Hasan MT. Graph neural network models for detecting fraudulent insurance claims in healthcare systems. Am J Adv Technol Eng Solut. 2022;2(01):88-109.
- Johnson R, Li MM, Noori A, Zitnik M. Graph artificial intelligence in medicine. Annu Rev Biomed Data Sci. 2024;7:345-368.
- Lettieri N, Guarino A, Malandrino D, Zaccagnino R. Knowledge mining and social dangerousness assessment in criminal justice: metaheuristic integration of machine learning and graph-based inference. Artif Intell Law. 2023;31(4):653-702.
- Ma Y, et al. Incorporating structural information into legal case retrieval. ACM Trans Inf Syst. 2023;42(2):1-28.
- Jin Z, et al. GNNLens: a visual analytics approach for prediction error diagnosis of graph neural networks. IEEE Trans Vis Comput Graph. 2022;29(6):3024-3038.
- Shen Y, Zhang J, Song SH, Letaief KB. Graph neural networks for wireless communications: from theory to practice. IEEE Trans Wirel Commun. 2022;22(5):3554-3569.
- Xue X, et al. Adaptive similarity feature construction for ontology matching via multi-layer hybrid genetic programming. IEEE Transactions on Evolutionary Computation, 2025;30(2):519-533.
- Cheng T, et al. Graph convolutional network for image restoration: A survey. Mathematics, 2024;12(13): 2020.
- Li N, et al. Survey on evolutionary deep learning: Principles, algorithms, applications, and open issues. ACM Computing Surveys, 2023; 56(2): 1-34.
- Ma L, et al. A novel fuzzy neural network architecture search framework for defect recognition with uncertainties. IEEE Transactions on Fuzzy Systems, 2024; 32(5): 3274-3285.
- Fang Y, et al. Relation-aware graph convolutional networks for multi-relational network alignment. ACM Trans Intell Syst Technol. 2023;14(2):1-23.
- Schlichtkrull M, et al. Modeling relational data with graph convolutional networks//European semantic web conference. Cham: Springer International Publishing, 2018; 593-607.
- Ariai F, Mackenzie J, Demartini G. Natural language processing for the legal domain: a survey of tasks, datasets, models, and challenges. ACM Comput Surv. 2025;58(6):1-37.
- Xu Y, et al. BNet: batch normalization with enhanced linear transformation. IEEE Trans Pattern Anal Mach Intell. 2023;45(7):9225-9232.
- Guo MH, et al. Attention mechanisms in computer vision: a survey. Comput Vis Media. 2022;8(3):331-368.
- Guo MH, et al. Visual attention network. Comput Vis Media. 2023;9(4):733-752.