Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

ملخص تقني: نماذج عنق الزجاجة المفاهيمية الموجهة من قبل أطباء الأشعة لتفسير صور الأشعة السينية للصدر

بيان المشكلة
تهدف نماذج عنق الزجاجة المفاهيمية (CBMs) إلى تعزيز القابلية للتفسير في التصوير الطبي من خلال التنبؤ بمفاهيم وسيطة يمكن للبشر فهمها قبل الوصول إلى التشخيصات النهائية. ومع ذلك، تواجه النماذج الحالية (CBMs) في هذا المجال ثلاث عقبات رئيسية:

1. التحيز التمييزي: تعامل معظم هذه النماذج المفاهيم كميزات تنبؤية مستقلة (المفهوم $\leftarrow$ الاعتلال)، متجاهلة العملية التوليدية السريرية الكامنة حيث تسبب الأمراض مظاهر ملحوظة (الاعتلال $\leftarrow$ المفهوم).
2. الافتقار إلى التأصيل السريري: تعتمد العديد من النهج على مفاهيم ضعيفة الإشراف أو كامنة قد لا تتوافق مع الاستدلال التشخيصي ذي المعنى أو التعريفات الدلالية المستقرة.
3. الارتباطات الزائفة: بدون قيود هيكلية صريحة، قد تتعلم النماذج المدربة على مجموعات بيانات طبية مشوشة ارتباطات غير منطقية بين المفاهيم والاعتلالات التي لا تعكس المنطق التشخيصي في العالم الحقيقي.

المنهجية: XpertCausal
يقترح المؤلفون XpertCausal، وهو نموذج عنق زجاجة مفاهيمي سببي موجه من قبل أطباء الأشعة لتفسير صور الأشعة السينية للصدر (CXR). يتبع الهيكل مساراً يتكون من مرحلتين:

1. التنبؤ بالمفهوم: يقوم نموذج خلفي من نوع InceptionV3 (مدرب مسبقاً على ImageNet) برسم خرائط لصور الأشعة السينية للمدخلات إلى متجه من 11 مفهوماً منسقاً سريرياً (مثل "العتمات"، "تضخم القلب") مستخرجة من تقارير الأشعة عبر مسار استخراج قائم على القواعد.
2. الاستدلال السببي للاعتلال: على عكس نماذج CBM القياسية، يقوم XpertCausal بنمذجة العلاقة في الاتجاه التوليدي (الاعتلال $\leftarrow$ المفهوم) باستخدام إطار عمل احتمالي من نوع noisy-OR.
   • النموذج التوليدي: يتم نمذجة احتمال وجود مفهوم $c_k$ بناءً على مجموعة من الاعتلالات $y$ كالتالي:
     $$P(c_k = 1 | y) = 1 - (1 - \lambda_k) \prod_{j: y_j=1} (1 - \eta_{jk})$$
     حيث $\eta_{jk}$ هي قوة الارتباط بين الاعتلال $j$ والمفهوم $k$، و $\lambda_k$ هو حد التسريب (leak term).
   • القيود الخبيرة: يتم تقييد هيكل النموذج بواسطة مصفوفة ارتباط منسقة من قبل أطباء الأشعة. تحدد هذه المصفوفة العلاقات كـ قوية (2)، أو ضعيفة (1)، أو لا يوجد (-)، مما يضمن وجود مسارات منطقية سريرياً فقط في الرسم البياني السببي.
   • الاستدلال البايزي: عند الاستنتاج، يتم عكس النموذج التوليدي لتقدير احتمالات الاعتلال بناءً على المفاهيم المتوقعة:
     $$P(y | c) = \frac{P(c | y) P(y)}{\sum_{y'} P(c | y') P(y')}$$
   • توليد التفسير: يتم اشتقاق التفسيرات من خلال ترتيب المفاهيم بناءً على مساهمتها السببية (نسبة الأرجحية اللوغاريتمية) في الاعتلالات المتوقعة، بدلاً من مجرد ثقة التنبؤ.

المساهمات الرئيسية

1. هيكل مبتكر: تقديم XpertCausal، الذي يجمع بين عنق الزجاجة المفاهيمي القابل للتفسير ونمذجة المرض السببية الاحتمالية باستخدام إطار عمل noisy-OR وانعكاس بايزي.
2. هيكل موجه بالخبرة: دمج الارتباطات بين المفهوم والاعتلال المحددة من قبل أطباء الأشعة كقيود هيكلية داخل الرسم البياني السببي. هذا يفرض استدلالاً راسخاً سريرياً ويمنع تعلم التبعيات غير المنطقية.
3. تقييم شامل: تقييم صارم على مجموعة بيانات MIMIC-CXR مقارنة بنموذج مرجعي غير سببي مدفوع بالخبرة (XpertXAI) ونموذج استئصال سببي ذو ارتباطات متعلمة غير مقيدة (Causal (Learned)).

النتائج
عند تقييمه على مجموعة بيانات MIMIC-CXR (44,038 زوجاً من صور الأشعة وتقاريرها)، أظهر XpertCausal أداءً فائقاً عبر مقاييس متعددة:

• التنبؤ بالاعتلال: حقق XpertCausal أعلى متوسط ماكرو لـ AUROC (0.7968) ودرجة F1 (0.7109)، متفوقاً على نموذج XpertXAI غير السببي (AUROC 0.7361) ونموذج Causal (Learned) غير المقيد (AUROC 0.7631). كما حقق أفضل معايرة (خطأ المعايرة المتوقع قدره 0.0079).
• جودة التفسير: التقط XpertCausal أعلى نسبة من المفاهيم الحقيقية عند قيم $K$ المنخفضة (أعلى 1-2 مفهوم)، مما يشير إلى أنه يرتب النتائج ذات الصلة تشخيصياً كأهم النتائج بشكل أكثر موثوقية.
• أمانة الرسم البياني: أظهر تحليل أوزان الحواف المتعلمة أن XpertCausal حافظ على فصل قوي بين فئات "القوي"، و"الضعيف"، و"لا يوجد" المحددة من قبل الخبراء. في المقابل، خصص نموذج Causal (Learned) غير المقيد أوزاناً غير صفرية للارتباطات من فئة "لا يوجد" (مثل ربط "استرواح الصدر" بـ "سليم")، مما يعكس ارتباطات زائفة بدلاً من المنطق السريري.

الأهمية والادعاءات
يزعم البحث أن دمج الهيكل السببي المدفوع سريرياً والمعرفة الخبيرة في المجال في نماذج CBM يؤدي إلى نماذج ليست فقط أكثر دقة ومعايرة، بل وأيضاً أكثر توافقاً مع الاستدلال التشخيصي البشري. من خلال نمذجة العملية التوليدية (الاعتلال $\leftarrow$ المفهوم) صراحةً وعكسها عبر الاستدلال البايزي، يوفر XpertCausal إطاراً ترتبط فيه التفسيرات بالآلية السببية لظهور المرض بدلاً من مجرد الارتباط الإحصائي. ويؤكد المؤلفون أن الهيكل السببي وحده غير كافٍ في مجموعات البيانات الطبية المشوشة؛ فبدون القيود المحددة من قبل الخبراء، تخاطر الرسوم البيانية المتعلمة بالتقاط آثار خاصة بالبيانات بدلاً من المسارات التشخيصية الحقيقية.

القصور
يقر المؤلفون بأن الدراسة الحالية محدودة بفضاء مفاهيمي محدد (11 مفهوماً) وستة تسميات مستهدفة تم تنسيقها من قبل طبيب أشعة واحد. ويُقترح في العمل المستقبلي توسيع مساحات المفاهيم والاعتلالات، ودمج علاقات خبراء إضافية، والتحقق من القدرة على التعميم عبر مجموعات بيانات وإعدادات تصوير خارجية.