Active Inference Institute Act. Infer. Serve.
JA

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。

計算機精神病学者、システム医療者とデジタルツイン研究者、医学AIエンジニア、そしてactive inferenceを臨床と biomedical 問題に適用するInstituteのメンバー

Active Inferenceと医療

医学は不確実性下的推論：患者の生成モデル、予測エラー駆動型疾患、および期待フリーエネルギー治療計画

Research resourcesActive Inference overview

このページで

Active Inferenceと医療 ガイド

次の最適な行動

Active Inferenceと医療パスウェイ

このページの最もシグナルの強い公開リンクから始め、関連リソースとディレクトリのビューに進みます。

Research resourcesResearchActive Inference overviewフィルタリングされたリソースグローバルディレクトリアクティブインファレンスアクティベート・インフェリエンスとヘルスケア

医療の核心活動である診断、治療選択、そして生理的安定性の維持を不安定な状況下で生成モデルを構築・更新するプロセスとして再考したアクティブインファーザーと自由エネルギー原理は、精神医学、痛み医学、神経学などの専門では概念的には成熟していますが、実証的な段階はまだ早期です。多くのモデルは理論的、現象学的、シミュレーションベースとなっています。実装された臨床システムは非常に少ないためです。このページでは、医療がそのフレームワークに適合している理由、現在の文献状況、具体的なプロジェクトとツール、そしてまだ欠けている証拠について survey します。

なぜそのドメインが合っている

医学は基本的には不確実性下での感知と行動である：医師は不鮮明な症状やデータから潜在的な病態を推測し、患者の状態を好みの状態へ導く行動を選択します。一方で、患者は身体の感覚の意味を推測し、その推測に基づいて行動します。自由エネルギー原理は自律性と代謝をインファーザ問題として再構成し、organismsは好みの生理的範囲を持つ前提信念を持ち、それらが違反されたときに期待値の自由エネルギーを最小限に抑える行動を選択します。多くの病態は推測や制御の失敗と理解され、代謝の異常はエネルギーのバランスモデルの破綻、感情的な障害は内感性の期待の誤り、そして持続的な痛みは神経痛予測誤差の過度な精度付けが原因であることが理解されます。このフレームワークは脳以外にも拡張され、組織は目標形状に対する自由エネルギーを最小限に抑えるための細胞集団モデルとしてモデル化され、その結果、癌や線維症のような病態も推測の失敗と読み替えられます。

文献の状態

psychiatryは最も発展した応用分野：Moutoussis、Fristonと同僚の2024年のレビューは、活性推論が心理学の専門分野を統一することができると主張し、恐怖症、うつ病、狂気、そして自閉性障害は、予想される事前確率や精度、政策選択に起因する disturbance であることを示唆しています。BadcockとFristonはうつ病を予想された報酬に対するネガティブな事前確率に基づいて世界をサンプリングすることとしています。また、BarrettとSimmons、そしてSmithとFristonの研究は、内省的推論が心理的・身体的な症状と不適切な内省的確率や精度との関連性を結びつけることに焦点を当てています。神経学もそれに続き、Schwartenbeckと同僚の2021年のBrain誌の論文は、運動が予測された感覚トレースの実現としてフレームワークを設定し、パーキンソン病、ドスタニア、機能的な運動障害はその予測機械が失敗であることを示しています。痛みとプラセボ研究（Geuter et al.；Ciaunica et al.）は、プラセボ/ノコペラ効果と慢性疼痛をアルストアティックな活性推論の枠組み内で予測誤差に基づく事前確率と精度の変動としてモデル化しています。専門分野全体でパターンが繰り返されます：強力な理論的開発、行動および神経画像モデリングの成長、しかし、活性推論と競合するフレームワーク（ reinforcement learning または古典的なベイジアンモデル）との直接比較を行う研究は少ない。

キーコンピュージョンとツール

コンクリート工学の例は、がん治療、ロボット技術、デジタルツインなどに焦点を当てており、新しいものが増えています。リュウ、フリストンと同僚の「Belief-Space Control for Personalized Cancer Treatment via Active Inference」では、腫瘍負担や薬剤耐性に対する期待自由エネルギー目的を導出し、治療戦略は腫瘍応答の不確実性を減らす一方で、有利な結果を最大化するようにバランスを取っています。これはシミュレーションされた患者の軌跡に基づいて示されていますが、臨床現場ではまだ使用されていません。ペッズロウ、フリストンと同僚は「アクティブなデジタルツイン」を提案し、単に患者をシミュレートするだけでなく、テスト、治療、ライフスタイルの変更を提案し、結果から生成モデルを更新します。期待自由エネルギーを使用して戦略を選択しています。ヴァン・デラーアと同僚のロボット工学の研究は、アクティブなインファレンス制御が手術ロボット、リハビリテーションデバイス、支援システムに直接適用可能であるという点で、直接的に応用できます。また、2025年のナショナル・ディジタル医療誌の記事では、アクティブなインファレンスを受信するための提案された促進戦略が、LLMに基づく医療決定支援システムの信頼性を向上させることで、人間とLLMとの相互作用を統合した推論に取り組んでいます。ソフトウェア面では、一般的な用途のツール（SPMは神経画像/行動データのベイジアンモデル逆解析、コミュニティPythonライブラリであるpymdpはマルコフ決定過程生成モデル）がこれらの医療使用ケースに適応されていますが、まだ標準化された医療用アクティブインファレンスライブラリはありません。

未解決の問題

報告は、実証的検証とモデル比較が最も重要なギャップであると指摘しています：精神医科学、痛み、神経学における活性推論モデルは、実際の患者データではなくシミュレーションでリフレインジメント学習、 drift-diffusion、古典的なベイジアン代替物との間で直接対決テストを行う必要があるためです。識別可能性と患者の多様性は二つ目の挑戦であり、生成モデルには多くの隠れたパラメータ（事前分布、精度、遷移確率）が存在し、臨床設定での稀少なノイズデータから特徴的に推定することは困難で、これは集団レベルの事前分布と識別可能性最適化された測定設計を動機付けます。活性推論と深層学習とLLMs（ニューラルネットワークを使用して観察/遷移モデルをパラメータ化し、活性推論が政策選択に焦点を当てることで活性推論は統合されています）は、開発された研究の先駆者としてではなく、解決されたパターンとして見なされていません。最後に、臨床応用では未解決の規制と倫理的な質問が存在し、適応性のある継続的に更新される確率的システムは、固定されたアルゴリズムを前提とする規制フレームワークには適合せず、報告書は医療者と患者の信頼に関するパイロット研究の実施と、自由エネルギー原理が完全に異なるパラダイムとして適応できるかどうかについての生の概念的な議論を求めています。

リファレンス・バックボーン

Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. 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. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.

キーの表面

Active Inferenceと医学の概観

信頼性空間治療計画

期待自由能は、がん治療の政策が腫瘍の敏感性に関する不確実性を最小限に抑えるために最初の探索的な薬物投与量を選択するのに使用できます。これはただ即時の期待利益を最大化することだけではなく、です。

アクティブ・デジタルツイン

慢性病のデジタルツインは、患者をシミュレートするだけでなく、結果が入ってくると診断や治療を提案し、生成モデルも修正します。

理論的思考よりも実装

Psychiatry、 Oncology および Robotics の文献は概念的に豊かですが、ほぼ完全にシミュレーションや小さな実験に基づいており、まだ完全に展開された臨床的なアクティブインフェ RSS シスのシステムは報告されていません。

関連リソース

このページの公開リンク

外部リンクは共有レジストリから解決されるため、訪問者向け目的地は中央集権的かつ確認可能な状態が保たれます。

関連ページ

サイトを続けて閲覧する

新参者、学習者、研究者、構築者、および協力者。 アクティブインファレンス

アクティブインファレンスは、インスティテュートが教育、研究、応用、エコシステムサポートを組織化する中心的な科学的・実用的な枠組みです。

 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。 アクティベート・インフェリエンスとヘルスケア

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。

 心理学者、計算機精神病学者および臨床研究者がactive inferenceが認知、感情、そして療法的な変化に対する検証可能な枠組みとしてのメカニズムであると評価する心理学者 アクティベート・インフェリエンスと心理学

活性化推定と自由エネルギー原理は、脳を階層的な生成システムとしてモデル化し、感覚データの隠れた原因を予測し、期待される不確実性を最小限に保つために行動するという。この形式論法は、過去10年間理論神経科学から心理科学と臨床 psychiatryへと移行し、感情、内脏感知、自己意識、社会的認知、療法、精神障害の文献が増えてきた。しかし、この literature は方法論的に若く、多くのモデルはまだシミュレーションと理論レベルに留まり、比較的大規模な実験テストが少ないことから、転換ツールも限られている。