Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution

ملخص تقني: شبكات الخصومة التوليدية للصور المقابلة للواقع (Counterfactual GANs) لنسب الصور الطبية

بيان المشكلة
تتناول الورقة البحثية طبيعة "الصندوق الأسود" للنماذج العميقة، لا سيما في تشخيصات الصور الطبية (MID) ذات الأهمية القصوى للسلامة. وبينما تسلط تقنيات التصور الحالية (مثل CAM و Grad-CAM) الضوء على المناطق المميزة التي تستخدمها المصنفات، إلا أنها غالبًا ما تفشل في مراعاة جميع الأجسام الملحوظة وتعتمد على مجموعات ميزات دنيا، مما قد يؤدي إلى تفسيرات مضللة. علاوة على ذلك، غالبًا ما تولد طرق التفسير المقابلة للواقع (CX) الحالية حالات مقابلة للواقع (CIs) غير معقولة. إذ تقوم هذه الطرق عادةً باستبدال مناطق الصورة بقيم عشوائية أو تتطلب مجموعات بيانات مزدوجة (أزواج من المدخلات والمخرقات المقابلة)، وهي بيانات نادرة التوافر في المجالات الطبية (مثل مسح ضوئي سليم لنفس المريض تمامًا). إن الافتقار إلى حالات مقابلة للواقع (CIs) ذات دلالة منطقية يعيق القدرة على تقديم تفسيرات ذاتية الشرح قائمة على القياس (على سبيل المثال: "إذا لم يكن هذا الورم موجودًا، لكان المسح يبدو كـ X").

المنهجية
يقترح المؤلفون نموذج CX-GAN، وهو نموذج متكامل يعتمد على شبكات الخخصومة التوليدية (GANs) مصمم لتعلم توليد الحالات المقابلة للواقع (CIs) المعقولة والتفسيرات المقابلة لها (CXs) بشكل مشترك دون الحاجة إلى بيانات تدريب مزدوجة.

1. البنية: يستخدم النموذج إطار عمل "Cycle-Consistent GAN (CycleGAN)" ممتد بوجود مولدين ومميزين اثنين:

   • المولد $G$: يقوم بتحويل صورة المدخلات (على سبيل المثال: شاذة/ورمية) إلى مجال مقابل للواقع (على سبيل المثال: طبيعي/سليم)، لينتج حالة مقابلة للواقع (CI) معقولة.
   • المولد $G_M$: يولد خريطة التغيير (Change Map) (وهي الـ CX). تمثل هذه الخريطة الاختلافات المحددة بين المدخلات والحالة المقابلة للواقع المولدة. وعند إضافتها إلى الحالة المقابلة للواقع، فإنها تعيد بناء المدخلات الأصلية.
   • المميزات ($D_x, D_y$): تضمن أن الصور والخرائط المولدة تنتمي إلى توزيعات البيانات الحقيقية الخاصة بها.

2. دوال الخسارة: يتم تحسين النموذج باستخدام دالة خسارة مركبة:

   • خسارة الخصومة ($L_{GAN}$): تضمن أن الحالات المقابلة للواقع وخرائط التغيير المولدة لا يمكن تمييزها عن البيانات الحقيقية في مجالاتها المعنية.
   • خسارة الاتساق الدوري ($L_{cyc}$): تفرض أن ترجمة المدخلات إلى حالة مقابلة للواقع ثم العودة (أو إضافة خريطة التغيير إلى الحالة المقابلة للواقع) تعيد بناء الصورة الأصلية، مما يضمن المحاذاة الدلالية ويمنع التحولات غير ذات الصلة.
   • الهدف المتكامل: تجمع الخسارة الإجمالية بين حدود الخصومة، وخريطة التغيير، والاتساق الدوري، مما يسمح للشبكة بتعلم الترجمة والتفسير في آن واحد.

3. تصميم الشبكة: تستخدم المولدات بنية U-Net ضحلة مع اتصالات تخطي (skip connections) للحفاظ على التوطين والمعلومات السياقية، بينما تستخدم المميزات هياكل CNN قياسية.

المساهمات الرئيسية

• توليد حالات (CI) معقولة: تطرح الورقة مشكلة وتجد حلاً لتوليد حالات مقابلة للواقع ذات دلالة منطقية للصور الطبية دون الحاجة إلى مجموعات بيانات مزدوجة (مدخلات-مخرجات).
• طريقة CX متكاملة: تقترح إطار عمل موحد يولد كلاً من الصورة المقابلة للواقع و"خريطة التغيير" (النسب) المحددة التي تفسر الفرق، متجنبةً أخطاء المراحل المتتالية في النهج المكون من خطوتين.
• مقياس التقييم: تم تقديم تقنية جديدة لتقييم جودة الحالات (CIs) المولدة عن طريق قياس درجات "عدم التشابه" بين المناطق الأصلية والمقابلة للواقع، لضمان أن التغييرات ذات معنى.
• الاختبار المرجعي: تم تقييم الطريقة على بيانات اصطناعية، ومجموعة بيانات أشعة سينية للصدر لمرض السل، ومجموعة بيانات BraTS (ورم الدماغ)، مما وفر نتائج أساسية مقابل الطرق الموجودة مثل CAM و Grad-CAM و VA-GAN.

النتائج
تم تقييم CX-GAN المقترح كميًا باستخدام درجات Dice، وتقاطع الاتحاد (IoU)، والارتباط المتبادل الطبيعي (NCC)، وكذلك نوعيًا من خلال الفحص البصري.

• البيانات الاصطناعية: حقق CX-GAN أداءً فائقًا مع IoU قدره 91.4 ودرجة Dice بلغت 95.5، متفوقًا بشكل كبير على VA-GAN (بـ IoU قدره 87.2) والطرق التمييزية (CAM/Grad-CAM).
• المجموعات الطبية: في مجموعة بيانات BraTS، حقق CX-GAN نسبة IoU بلغت 91.4 ودرجة Dice بلغت 94.0، متفوقًا على VA-GAN (بـ IoU قدره 89.5 و Dice قدره 93.2). وفي مجموعة بيانات السل، حقق IoU قدره 74.73 وDice قدره 81.47.
• النتائج النوعية: تشير النتائج البصرية إلى أن الطرق التمييزية (CAM/Grad-CAM) غالبًا ما تسلط الضوء على مناطق دنيا أو واسعة للغاية، بينما يسبب VA-GAN ضوضاء وإيجابيات كاذبة بسبب عمليات الربط غير المتوافقة. في المقابل، ينتج CX-GAN خرائط تغيير دقيقة وخالية من الضوضاء تحدد بدقة مواضع الشذوذ (مثل الأورام) مع توليد نظائر صحية معقولة.

الأهمية والادعاءات
تدعي الورقة أن إرفاق التفسيرات (CXs) بحالات (CIs) موثوقة يوفر تفسيرات ذاتية الشرح وقائمة على القياس، وهي أمور بالغة الأهمية للمتخصصين الطبيين. ومن خلال توليد "كيف يجب أن تبدو" (CI) جنبًا إلى جنب مع "كيف تبدو" (المدخلات) و"الفرق" (CX)، تقدم الطريقة عملية استدلال سببي ("إذا لم يحدث X، لما حدث Y"). ويؤكد المؤلفون أن هذا النهج يتغلب على قيود تقنيات CX الحالية التي تنتج حالات غير معقولة أو تتطلب بيانات مزدوجة غير متوفرة، مما يعزز قابلية التفسير والموثوقية في النماذج العميقة في التشخيص الطبي. كما تسلط الدراسة الضوء على قصور طرق الحالة الراهنة في إنتاج حالات معقولة، مما يضع نهج الـ GAN المتكامل المقترح كتقدم ضروري للتطبيقات الحرجة المتعلقة بالسلامة.