乳がん検診のための医療画像解析では、コンピュータビジョンモデルが病変の大まかな特性は保持する一方で、悪性度などの細粒度な情報が劣化するという深刻な問題が存在します。この研究は、階層型変分オートエンコーダ（H-VAE）に対して勾配ベースの直交潜在分解を導入し、この非対称性の機械的メカニズムを明らかにしました。 潜在空間を、粗い教師信号に形作られるタスク対応成分（z₁）と、残存する表現能力をキャプチャする直交残差（zres）に分割した分析により、興味深い結果が得られました。CBIS-DDSMデータセットの3,550個の乳房撮影関心領域を用いた実験では、潜在空間の約4.4%のみが教師信号と一致し、残る95.6%は直交残差に留まっていることが判明。この直交残差こそが、悪性度予測などの細粒度な病理学的特徴抽出に主に依存していることが示されました。 モデルは第1段階でAUC 0.866、第2段階でAUC 0.552を達成しましたが、再構成安定性のギャップは5%（p=0.005）、分類ギャップは0.314（p<0.001）という統計的に有意な差が見られました。潜在空間のアブレーション研究により、両方のタスクの特徴が圧倒的にzresに存在することが確認され、なぜ再構成が病理学的安定性を不釣り合いに低下させるのかが構造的に説明されました。 さらに、マルチインスタンス学習やマルチタスク学習など他のアーキテクチャとの比較により、この知見は異なるモデル構造とモダリティ間で一般化することが確認されました。高次元空間では、単一の粗い教師信号が極めて限定的な1次元潜在方向のみを分離し、批判的に重要な細粒度特徴を脆弱な残差部分空間へ強制的に追いやることが、根本的な原因であることを示唆しています。