Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models

إليك ملخص تقني مفصل لورقة البحث بعنوان "استخدام منهجية الاستدلال السببي لتفسير نماذج تقسيم الصور الطبية" (PdCR).

1. بيان المشكلة

يعد تقسيم الصور الطبية أمراً بالغ الأهمية لاتخاذ القرارات السريرية، ومع ذلك فإن معظم نماذج التعلم العميق تعمل كـ "صناديق سوداء"، مما يفتقر إلى الشفافية. وبينما تقدم الذكاء الاصطناعي القابل للتفسير (XAI) تقدماً كبيراً في مجال التصنيف الصوري، إلا أنه لا يزال غير متطور بما يكفي في مجال التقسيم (Segmentation).

• محدودية الطرق الحالية: تعتمد تقنيات تفسير التقسيم الحالية (مثل الطرق القائمة على التدرج أو التبديل) بشكل أساسي على تحليل الارتباط. وغالباً ما تفشل في التمييز بين الارتباط والسببية، مما يؤدي إلى تفسيرات غير دقيقة بسبب الطبيعة المعقدة وعالية الأبعاد والمترابطة للتنبؤات على مستوى البكسل.
• الفجوة: هناك نقص في الأدوات المنهجية التي يمكنها الكشف عن الآليات السببية التي تربط مناطق مدخلات معينة بمخرجات التقسيم، لا سيما فيما يتعلق بكيفية تأثير مكونات الشبكة والاضطرابات المدخلة على المناطق المستهدفة (مناطق الاهتمام، أو RoIs).

2. المنهجية: الاستدلال السببي القائم على الاضطراب (PdCR)

يقترح المؤلفون إطار عمل PdCR، وهو إطار عمل مستقل عن النموذج (model-agnostic) يعمل على قياس التأثير السببي لمناطق المدخلات على تنبؤات التقسيم باستخدام إطار استدلال سببي.

المفهوم الجوهري

تنمذج الطريقة عملية التقسيم كبنية سببية: $X \xrightarrow{F} Y \rightarrow M$، حيث $X$ هو صورة المدخلات، و$F$ هو النموذج (الصندوق الأسود)، و$Y$ هو مخرج التقسيم، و$M$ هو مقياس الأداء (مثل معامل تشابه دايس - Dice Similarity Coefficient).

الخطوات الرئيسية

1. اختيار منطقة الاهتمام (RoI) والحالة الأولية: يتم اختيار منطقة اهتمام (RoI)، وتسجيل أداء التقسيم الأولي لها ($M_0$).
2. التدخل (الاضطراب): بدلاً من الاضطراب العالمي، يتم تقسيم الصورة إلى رقع (patches). تطبق الطريقة تدخلات ($do(\cdot)$) على الرقع المحيطة عن طريق استبدالها بكتل مقتطعة من صور أخرى في مجموعة البيانات (لضمان المعقولية التوزيعية). هذا يؤدي إلى تعطيل العلاقات السياقية دون تدمير الصورة بالكامل.
3. قياس التأثير السببي (ATE):
   • تحسب الطريقة تأثير العلاج الفردي (ITE) لرقعة معينة: $R_1 - R_0$ (الفرق في المقياس $M$ مع وبدون الاضطراب).
   • تقوم بتجميع هذه القيم عبر عدد $N$ من التدخلات لحساب متوسط تأثير العلاج (ATE) لكل رقعة:
     $$ATE_{pi} = \frac{1}{N} \sum_{t=1}^{N} (M_{RoI}(f_\theta(X | do(X_{pi}=b_t))) - M_{-RoI}(f_\theta(X)))$$
   • التفسير: يشير الـ ATE الإيجابي إلى أن الرقعة تساهم سلبياً (إزالة الرقعة تحسن تقسيم الـ RoI)، بينما يشير الـ ATE السلبي إلى مساهمة إيجابية (إزالة الرقعة تضعف التقسيم).
4. استراتيجية التقليم من الخشن إلى الناعم (Coarse-to-Fine Pruning): لمعالجة التكاليف الحسابية (النمو الأسي مع دقة الرقع)، تستخدم الطريقة مرحلتين من التصفية:
   • الفحص الخشن (Coarse Screening): يتم اختبار الرقع بعدد صغير من التدخلات ($S=3$). إذا كان التغيير في المقياس أقل من عتبة معينة ($\tau$)، تُعتبر الرقعة غير ذات صلة ويتم تجاهلها.
   • الاستدلال الناعم (Fine Inference): تخضع الرقع ذات الصلة فقط لحساب ATE كامل ($N=50$) لإنشاء خريطة بروز سببية عالية الدقة.

3. المساهمات الرئيسية

• إطار عمل مبتكر (PdCR): أول إطار عمل مستقل عن النموذج مصمم خصيصاً للتقسيم يستخدم الاستدلال السببي لقياس تأثير مناطق المدخلات على المخرجات المستهدفة.
• الإسناد ثنائي الاتجاه: على عكس الطرق التي تسلط الضوء فقط على المناطق "المهمة"، يحدد PdCR كلاً من المناطق المساهمة إيجابياً (الأساسية) والمناطق المساهمة سلبياً (المضللة/المعيقة).
• التحليل السببي المنهجي: تكشف الطريقة عن تباين كبير في كيفية إدراك واستخدام البنى المختلفة (CNNs, ViTs, Mamba, KANs) للسياق المكاني.
• تحسين الكفاءة: يقدم استراتيجية تقليم من الخشن إلى الناعم تقلل بشكل كبير من العبء الحسابي مع الحفاظ على الدقة.

4. النتائج التجريبية

قيم المؤلفون PdCR على مجموعتي بيانات طبيتين: HAM10000 (آفات الجلد) و FIVES (الأوعية الشبكية)، عبر 12 نموذج تقسيم ممثلاً (تتراوح من U-Net إلى بنيات Mamba و KAN).

• الأداء الكمي:
  • تفوق PdCR بشكل كبير على النماذج المرجعية الحالية (SEG-GRAD و MiSuRe) في دقة الإسناد.
  • في HAM10000، حقق PdCR متوسط درجة إسناد بلغ 0.3734، مقارنة بـ 0.0859 (SEG-GRAD) و 0.1532 (MiSuMi).
  • في FIVES، سجل PdCl 0.6163، وهو متفوق جداً على النماذج المرجعية.
• الرؤى النوعية:
  • الاختلافات الهيكلية: تعتمد شبكات CNN بقوة على الجوار المحلي؛ بينما تظهر نماذج المحولات (ViT) دمجاً عالمياً؛ وتظهر النماذج القائمة على Mamba أنماط مسح متسلسلة.
  • الأنماط المضللة: كشف التحليل أن جزءاً كبيراً من الرقع (غالباً 20-30%) لها تأثيرات سببية سلبية، مما يشير إلى أن النماذج غالباً ما تعتمد على إشارات خلفية مضللة تعيق الأداء.
  • القدرة على التكيف مع البيانات: يتكيف نفس النموذج (مثل MCU-RE) في استراتيجية الإدراك الخاصة به بناءً على مجموعة البيانات، حيث يستخدم السياق العالمي لآفات الجلد الكبيرة ولكن ينتقل إلى الإشارات المحلية للأوعية الشبكية الرقيقة والمجزأة.

5. الأهمية والأثر

• الموثوقية: من خلال الانتقال من الارتباط إلى السببية، يوفر PdCR تفسيرات أكثر موثوقية للقرارات الطبية عالية المخاطر، مما يساعد الأطباء على فهم لماذا يتخذ النموذج تنبؤاً معيناً.
• تحسين النماذج: يوفر تحديد المناطق المساهمة سلبياً رؤى قابلة للتنفيذ لمطوري النماذج لتقليم الميزات غير ذات الصلة أو إعادة تدريب النماذج لتجنب الإشارات المضللة.
• فهم البنية: تسلط الدراسة الضوء على أن البنى المختلفة (مثل Mamba مقابل CNN) لديها "استراتيجيات إدراك" مختلفة جوهرياً، وهو أمر بالغ الأهمية لاختيار النموذج المناسب للمهام السريرية المحددة.
• الاتجاه المستقبلي: تدعو الورقة إلى دمج الاستدلال السببي مع تحليل الميزات العالمية لبناء أنظمة ذكاء اصطناعي طبية أكثر شفافية وموثوقية.

توافر الكود: التنفيذ مفتوح المصدر على https://github.com/lcmmai/PdCR.