このページは機械翻訳によって英語から日本語に翻訳されました。 英語のオリジナルをご覧ください。
研究者、医師およびインstituteのファellowsが活性推論を計算 Psychiatry、内脏感、臨床判断支援、および医学AI安全性のモデル化フレームワークとして探索しています。
健康 Care における不確実性管理問題として：隠れ病態の推定と期待自由エネルギーに基づく行動選択。
このページで
医療は生物学的状態の規制、病気プロセスに関する不確実性の減少、そして証拠が不完備な条件下での診断と治療行動の継続的な選択——これがActive Inferenceの核心構造である生成モデル、予測誤差、期待自由エネルギー、および政策選択に直接マッピングされます。過去10年間、計算 psychiatry、内脏感覚と痛み、デジタルツイン、医療ロボット、そして——最近では—大規模言語モデルが臨床判断支援ツールとして使用される安全性に関する文献が成長してきました。この大部分の研究は理論的またはシミュレーションベースで、計算 psychiatry および内脏感覚と精神障害のレビューがこの領域を統合し始めています。そして「Active Inference AI」が医療に達するためのコンセプト上の道筋は、デジタルツイン、精密診断、および臨床判断支援へと描かれています。
臨床診療とは、ノイズが多く、部分的で、遅延した観察（症状、検査、画像診断）から隠れた原因（疾患プロセス）を継続的に推論し、患者の状態について学習することと転帰を改善することのバランスを取らなければならない行動選択（検査、治療）を行うことです。アクティブ・インファレンスはこれを期待自由エネルギーの最小化として形式化し、これは認識的価値（不確実性の解消）と実用的価値（望ましい結果の達成）に分解され、診断と治療選択の単一の変分説明を提供します。このフレームワークが生理学的変数を実行可能な範囲内に維持することを重視していることは、ホメオスタシスとアロスタシスにも対応しています。内受容信号は観察として扱われ、調節設定点は事前分布として扱われ、不安、慢性疼痛、摂食障害などの障害は、不正確な生成モデルまたは不適応な事前分布の結果として扱われます。
心理学・精神医学の最成熟な業績は、BadcockとDaveyがactive inferenceを学習、注意、そして精神病理学の間で統一するパラダイムとしての候補であることを調査し、Kirchner et al. が症状プロファイルを生成モデルのパリミットと精度から導き出すことで personalized治療選択にガイドすることを主張しています。例えば、うつ病は過度にネガティブなパリミットと減少した正の予測誤差に対する精度が低いことを示すことです。内脏感覚と痛みは第二のクラスタです：Paulus、Feinstein、Khalsa の内脏感覚障害の説明とPetzschner et al. の内脏感覚と代謝制御に関するレビューは、不安、パニック、機能性の身体的疾患が内脏感覚の推論の失敗であることを示し、特定のactive inference理論は placebo痛みを解釈し、脳はネックレス信号からのパリミットの更新またはノイズとしてそれらを軽減することによって、多様性と変化に対する推論のトレースが異なる方向に進行します。Pio-Lopez et al. は、形態形成を含むフレームワークを拡張し、細胞レベルと組織レベルのプロセスが自由エネルギーを最小限に抑える方法で癌、肥満症，再生医療を再定義することを提案しています。ただし、これはまだ推測的です。決定理論の研究（新しい/多様性、eLifeを通じて発表）は、active inferenceモデルが標準的な reinforcement learningよりも行動と探索のニューロコーディングに対する説明力を超越していることを業界に最も明確な実験結果を示しています。
このレポートでは、広く採用されている医療分野に特化したアクティブ推論ソフトウェアは見つかりませんでした。研究者は現在、汎用のアクティブ推論ライブラリとカスタムの確率的プログラミングコードを臨床構成要素に適合させており、主に展開されたシステムではなくシミュレーションとパラメータ適合のために使用しています。具体的なプロジェクトに最も近いものとして、3つのアプリケーションパターンが際立っています。1つ目は、患者や臓器モデルが受動的にシミュレートするのではなく、積極的に情報を探索できるようにアクティブ推論を使用する「アクティブデジタルツイン」のためのScienceDirectアーキテクチャです。2つ目は、「Active Inference AIと医療のための空間ウェブ」に関するCancer Journalの概念レポートで、異なる治療方針の下でデジタルツインが探索される仮想腫瘍ボードについて記述しています。3つ目は、ロボット工学におけるRoyal Society InterfaceのケーススタディとDa Costaらのレビューで、アクティブ推論が実際のロボットのモーター制御を駆動していることを示しており、義肢やリハビリテーションへの明確な拡張が描かれています。2025年のnpj Digital Medicineの論文では、臨床LLMプロンプト自体を、モデル出力に対する期待自由エネルギーを最小化するために選択されたアクティブ推論ポリシーとして扱い、LLMベースの医療機器を目的とすることを提案しています。
中心的なギャップは検証です。うつ病、内受容、またはプラセボ反応のActive Inferenceモデルは、臨床転帰に対する予測力についてテストされたり、より単純なモデルと厳密に比較されたりすることはめったになく、この分野ではモデル仕様、交差検証、および前向き試験のための標準化されたパイプラインが必要です。医療に必要な階層的、多スケール、多モーダルな生成モデル（分子、臓器、行動データをリンクする）を構築することは、状態空間設計、欠損データ、および大規模な推論アルゴリズムに関する未解決の疑問があり、技術的に依然として困難です。倫理的および規制上の問題も未解決です。好み（生存、症状緩和、生活の質）を事前分布としてどのようにエンコードすべきか、生成モデルが過去のデータから偏った事前分布を継承するのを防ぐ方法、および探索的（認識論的）行動が臨床リスクを導入しないように制限する方法などです。このレポートでは、デジタルツイン、Active Inference AI、およびLLMプロンプト戦略を概念的でほとんど未展開のものとして扱い、より自律的な臨床使用への移行の前に、人間の監視を伴うパイロット的な意思決定支援の役割を求めています。
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). Active Inference, homeostatic regulation and adaptive behavioural control. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Paul B. Badcock, Christopher G. Davey (2024). Active Inference in Psychology and Psychiatry: Progress to Date? Entropy. DOI: 10.3390/e26100833. Lukas Kirchner, Anna-Lena Eckert, Max Berg (2022). From Broken Models to Treatment Selection: Active Inference as a Tool to Guide Clinical Research and Practice. Clinical Psychology in Europe. DOI: 10.32872/cpe.9697. Frederike H. Petzschner, Sarah N. Garfinkel, Martin P. Paulus, Christof Koch, Sahib S. Khalsa (2021). Computational Models of Interoception and Body Regulation. Trends in Neurosciences. DOI: 10.1016/j.tins.2020.09.012. Martin P. Paulus, Justin S. Feinstein, Sahib S. Khalsa (2019). An Active Inference Approach to Interoceptive Psychopathology. Annual Review of Clinical Psychology. DOI: 10.1146/annurev-clinpsy-050718-095617. Léo Pio-Lopez, Franz Kuchling, Angela Tung, Giovanni Pezzulo, Michael Levin (2022). Active inference,
キーの表面
活性化推定は、一つの生成モデルの形式主義が細胞と形質生化学的プロセス、器官機能、そして認知/行動状態を一 Diseaseモデル内で結びつけることを可能にする。
診断と治療選択は、期待自由エネルギーに基づいた政策としてフレームされ、試験（情報得失）のエピステミック価値を患者への実用的コストまたはリスクにバランスを取る。
Almost 全て の 検討 された 医療 ユーザー アプリケーション — デジタル タイプ、Active Inference AI、LLM ポインテッド 安全 ストラテジー — 是概念的 或 想像性的，且 主要是 模拟 基础 的， 报告 明确 要求 在 床边 实践 之前 进行 预期 医学 研究。
関連リソース
Audience: Researcher
Research and publication-oriented repository for the Active Inference Journal.
Audience: Researcher
Continuously updated bibliography of Free Energy Principle and active inference papers, maintained in the open on GitHub.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.