CompDiff: Hierarchical Compositional Diffusion for Fair and Zero-Shot Intersectional Medical Image Generation

1. بيان المشكلة: مشكلة المولد غير المتوازن

تتناول الورقة فجوة حرجة في الذكاء الاصطناعي الطبي: بينما تُستخدم النماذج التوليدية (تحديداً نماذج الانتشار/Diffusion Models) لتعزيز مجموعات البيانات من أجل تحقيق العدالة، فإن هذه النماذج نفسها غالباً ما تفشل في توليد صور عالية الجودة للتقاطعات الديموغرافية النادرة أو غير المرئية.

• المشكلة الجوهرية: تقوم نماذج الانتشار القياسية بتشفير الديموغرافيا ضمنياً داخل النصوص الوصفية (على سبيل المثال: "أنثى آسيوية تبلغ من العمر 80 عاماً"). في هذه النماذج، تتنافس الرموز الديموغرافية مع الرموز السريرية على ميزانية تضمين (Embedding) محدودة (مثل 77 رمزاً في نموذج CLIP).
• القصور: عندما تفتقر بيانات التدريب إلى تقاطعات محددة (مثل: "إناث آسيويات تبلغ أعمارهم 80+ عاماً مع حالة مرضية معينة")، لا تستطيع النماذج القياسية تعلم هذه التوليفات.
• فشل الحلول الحالية: تفشل الإصلاحات على مستوى التحسين (Optimization-level) مثل FairDiffusion (الذي يستخدم إعادة وزن الخسارة) لأنها لا تستطيع توليد إشارات تعلم للتقاطعات التي لا وجود لها في بيانات التدريب. فهي تعتمد على التشفير الضمني، الذي يعاني مع التقاطعات النادرة.

2. المنهجية: إطار عمل CompDiff

يقترح المؤلفون CompDiff، وهو إطار عمل ينقل الحل من مستوى التحسين إلى مستوى التمثيل (Representation level). الرؤية الجوهرية هي أن الهوية الديموغرافية هي تركيبية (Compositional): يمكن بناء تقاطع نادر من سمات فردية متعلمة جيداً وتفاعلات ثنائية.

المكونات المعمارية الرئيسية

1. شبكة الشرط الهرمي (Hierarchical Conditioner Network - HCN):
   بدلاً من الاعتماد فقط على النصوص الوصفية، يعالج CompDiff السمات الديموغرافية (العمر، الجنس، العرق) من خلال HCN مخصص.

   • تضمينات السمات الفردية ("الأجداد"): يتم تضمين السمات الفردية في مساحة كامنة مشتركة ($e_{age}, e_{sex}, e_{race}$).
   • التفاعلات الثنائية ("الآباء"): تقوم شبكات MLP مخصصة بنمذجة العلاقات غير الجمعية بين أزواج من السمات (مثل $f_{age,sex}$)، مما يلتقط التفاعلات التي تغفلها عملية الجمع البسيطة.
   • التركيب الكامل ("الابن"): تجمع طبقة MLP نهائية هذه التفاعلات الثنائية لإنتاج تمثيل ديموغرافي شامل ($h_{demo}$).

2. التفكيك المهيكل والإسقاط الكامن (Structured Factorization & Latent Projection):

   • يتم رسم خريطة للتمثيل النهائي $h_{demo}$ إلى توزيع غاوسي قطري $(\mu, \log \sigma)$.
   • يتم أخذ عينة من متجه كامن $z$ (باستخدام إعادة المعلمة/reparameterization) وإسقاطه في بُعد الانتباه المتقاطع ($c$) ليتم دمجه مع تضمينات النص السريري.
   • يشجع هذا التفكيك المهيكل على مشاركة المعلمات عبر المجموعات الفرعية، مما يحسن كفاءة البيانات للتقاطعات النادرة.

3. هدف التدريب:
   يتم تدريب النموذج من البداية إلى النهاية باستخدام دالة خسارة مركبة:
   $$L = L_{diff} + \lambda_{comp}L_{comp} + \lambda_{aux}L_{aux} + \lambda_{KL}L_{KL}$$

   • $L_{diff}$: خسارة الانتشار القياسية.
   • $L_{comp}$ (الاتساق التركيبي): حد مرساة ناعم ($1 - \cos(h_{demo}, e_{age}+e_{sex}+e_{race})$) يعمل على استقرار التدريب نحو خط أساس جمعي مع السماح بالتفاعلات غير الجمعية.
   • $L_{aux}$ (التصنيف المساعد): من المهم ملاحظة أن هذه الخسارة تُطبق على الرمز المسقط $c$ (المدخل الذي يراه نموذج UNet فعلياً)، وليس على $\mu$ قبل الإسقاط. يضمن هذا بقاء المعلومات الديموغرافية حية بعد الإسقاط وتظل معلوماتية لنموذج الانتشار.
   • $L_{KL}$: ينظم المتغير الكامن نحو توزيع طبيعي قياسي.

3. المساهمات الرئيسية

• حل على مستوى التمثيل: يقترح أول إطار عمل يعالج "مشكلة المولد غير المتوازن" من خلال نمذجة التركيب الديموغرافي صراحةً بدلاً من مجرد إعادة وزن عينات التدريب.
• شبكة الشرط الهرمي (HCN): يقدم بنية معمارية مبتكرة تفكك الديموغرافيا إلى سمات فردية وتفاعلات ثنائية، مما يمكّن التعميم الصفري (Zero-shot generalization) للتقاطعات غير المرئية (مثل: توليد صور لـ "إناث آسيويات تبلغ أعمارهم 80+ عاماً" حتى لو لم تكن هذه المجموعة المحددة موجودة في التدريب).
• استراتيجية الإشراف المساعد: يثبت أن خسارة التصنيف المساعدة يجب أن تُطبق على الرمز المسقط النهائي ($c$) بدلاً من المتوسط الكامن ($\mu$) لتوجيه نموذج UNet بفعالية.
• التعميم التقاطعي الصفري: يتحقق من قدرة النموذج على تركيب التمثيلات للتقاطعات الديموغرافية غير المرئية باستخدام تضمينات السمات الفردية والثنائية المتعلمة.

4. النتائج التجريبية

تم تقييم الطريقة على صور الأشعة السينية للصدر (MIMIC-CXR) وصور قاع العين (FairGenMed)، مقارنة بالضبط الدقيق القياسي وFairDiffusion.

• جودة الصورة: حقق CompDiff درجات أفضل في مسافة فريدشيه لإنتربشن (FID) (64.3 للأشعة السينية للصدر مقابل 75.1 لـ FairDiffusion) ودرجة AUROC أفضل لتصنيف الأمراض (0.82 مقابل 0.74)، مما يشير إلى توافق أفضل مع الميزات السريرية.
• العدالة (ES-FID الموزون بالإنصاف): قلل CompDiff بشكل كبير من التفاوتات في الجودة عبر المجموعات الفرعية. حقق أقل قيم ES-FID للجنس، والعرق، والعمر، مما يثبت أن تحسينات العدالة لم تأتِ على حساب أداء مجموعة الأغلبية.
• الأداء الصفري (Zero-Shot): على المجموعات الفرعية التقاطعية المحجوزة (التي تمت إزالتها تماماً من التدريب)، حسن CompDiff قيمة FID بنسبة تصل إلى 21% مقارنة بالنماذج المرجعية. والجدير بالذكر أن FairDiffusion كان أداؤه أسوأ من النموذج المرجعي في بعض التقاطعات النادرة، مما يؤكد أن إعادة وزن الخسارة تفشل بدون انحياز بنيوي استقرائي.
• المنفعة في المهام اللاحقة: أظهرت المصنفات المدربة على البيانات المولدة بواسطة CompDiff درجة AUROC أعلى وانخفاضاً في التحيز الديموغرافي (انخفاض في فرق تكافؤ الفرص ومعدلات التشخيص الخاطئ) عند اختبارها على بيانات حقيقية.

5. الأهمية والخاتمة

• الانحياز الاستقرائي المعماري: تثبت الورقة أن بنية كيفية اشتراط الديموغرافيا هي أكثر أهمية للعدالة من استراتيجية التحسين. من خلال نمذجة التركيب صراحةً، يمكن للنموذج التعميم على توزيعات البيانات التي لم يرها من قبل.
• الأثر السريري: إن القدرة على توليد بيانات اصطناعية عالية الجودة وعادلة للتقاطعات الديموغرافية النادرة تسمح بتدريب أنظمة ذكاء اصطناعي تشخيصية أكثر إنصافاً، مما يعالج عقبة رئيسية في نشر الذكاء الاصطناعي الطبي.
• القيود: يفترض النهج وجود سمات ديموغرافية مهيكلة (فئات منفصلة) ولا يمتد بعد إلى السمات المستمرة أو غير المهيكلة. بالإضافة إلى ذلك، بينما يحسن الإنصاف، فإنه لا يلغي تماماً فجوة الأداء مقارنة بالمجموعات الممثلة جيداً.

باختاً، يمثل CompDiff تحولاً جذرياً في توليد الصور الطبية العادلة، حيث ينتقل من موازنة مستوى البيانات إلى النمذجة التركيبية لمستوى التمثيل لحل التحدي الجوهري المتمثل في توليد بيانات للتقاطعات الديموغرافية غير المرئية.