Neuron Incidence Redistribution for Fairness in Medical Image Classification

ملخص تقني: إعادة توزيع حدوث الخلايا العصبية من أجل العدالة في تصنيف الصور الطبية

بيان المشكلة
غالبًا ما تظهر نماذج التعلم العميق لتصنيف الصور الطبية تفاوتات أداء منهجية عبر المجموعات الديموغرافية الفرعية (مثل العمر، الجنس، العرق). وبينما تستهدف تدخلات العدالة الحالية عادةً مقاييس مستوى المخرجات (مثل الحساسية أو معدلات الإيجاب الكاذب) من خلال المعالجة المسبقة، أو التدريب الخصومي، أو معايرة ما بعد المعالجة، إلا أنها غالبًا ما تفشل في تفسير الآليات الداخلية التي تقود هذه التفاوتات. يحدد المؤلفون آلية كامنة محددة: تشابك الميزات (أو تعدد المعاني/polysemanticity) داخل الطبقة قبل الأخيرة في النماذج التي تم تعلمها بالانتقال (transfer-learned models).

يكشف التحليل التجريبي أنه في النماذج القياسية التي تم ضبطها بدقة (مثل ResNet-18)، فإن قنوات التنشيط المهيمنة ليست مرتبطة فقط بالأمراض؛ بل:

• القناة المهيمنة تحت التنبؤات الإيجابية: يتم تنشيطها بشكل مشترك بواسطة كل من العينات المصابة بالمرض والمجموعات الديموغرافية "المتميزة" (مثل الذكور، المرضى الأكبر سنًا). يؤدي هذا إلى تضخم الاحتمالات المتوقعة والإفراط في التشخيص لهذه المجموعات.
• القناة المهيمنة تحت التنبؤات السلبية: يتم تنشيطها بشكل تفضيلي من قبل المجموعات "المحرومة" (مثل الإناث، المرضى الأصغر سنًا)، مما يؤدي إلى خفض درجاتهم وتسبب نقص منهجي في التشخيص.

هذا التشابك يعني أن قناة ميزة واحدة تشفر كلاً من المورفولوجيا السريرية والارتباطات الديموغرافية في آن واحد، مما يتسبب مباشرة في تفاوتات في معدل الإيجاب الحقيقي (TPR) ومعدل الإيجاب الكاذب (FPR).

المنهجية: إعادة توزيع حدوث الخلايا العصبية (NIR)
لمعالجة ذلك، يقترح المؤلفون إعادة توزيع حدوث الخلايا العصبية (Neuron Incidence Redistribution - NIR)، وهي طريقة تنظيمية خفيفة الوزن وقابلة للاشتقاق تعمل دون الحاجة إلى تسميات ديموغرافية أثناء التدريب.

1. تعريف حدوث الخلايا العصبية: بالنسبة لدفعة مصغرة (mini-batch)، يُعرف "حدوث" خلية عصبية معينة $j$ بأنه متوسط التنشيط الموزون باحتمالية التنبؤ:
   $$\phi_j = \frac{\sum_{i=1}^{B} \hat{p}_i z_{ij}}{\sum_{i=1}^{B} \hat{p}_i + \epsilon}$$
   حيث $\hat{p}_i$ هو احتمال التنبؤ للفئة الإيجابية و $z_{ij}$ هو تنشيط الخلية العصبية $j$ للعينة $i$. يضمن هذا الوزن تركيز المقياس على البنية التمثيلية للعينات التي يعتبرها النموذج بالفعل إيجابية.

2. خسارة إعادة التوزيع: تقوم الطريقة بمعاقبة التباين في قيم هذه الحدوث عبر جميع الخلايا العصبية في الطبقة قبل الأخيرة. إذا تركزت أدلة الفئة الإيجابية في عدد قليل من الخلايا العصبية (تباين عالٍ)، تزداد الخسارة. الهدف هو توزيع "حدوث" التنبؤات الإيجابية بشكل موحد عبر الطبقة بأكملها:
   $$\mathcal{L}_{IR} = \frac{1}{d} \sum_{j=1}^{d} (\phi_j - \bar{\phi})^2$$

3. هدف التدريب: تجمع الخسارة الإجمالية بين التصنيف الثنائي المتقاطع (BCE) ومنظم NIR:
   $$\mathcal{L}_{total} = \mathcal{L}_{BCE} + \lambda \mathcal{L}_{IR}$$
   استخدم المؤلفون قيمة ثابتة $\lambda = 0.1$ عبر التجارب، مما أظهر أن الطريقة توفر تحسينات متسقة دون الحاجة إلى ضبط المعلمات الفائقة الخاصة بكل مجموعة بيانات.

المساهمات الرئيسية

1. الرؤية الميكانيكية: تحليل تجريبي يربط "تشابك القنوات المهيمنة" بالتشخيص المفرط والناقص غير المتماثل. يوضح المؤلفون أن خلايا الفئة الإيجابية العليا يتم تنشيطها بشكل تفضيلي من قبل الديموغرافيا المتميزة بشكل مستقل عن تسمية المرض.
2. خوارزمية NIR: منظم قابل للاشتقاق ولا يتطلب تسميات (label-free) يشجع على توزيع التمثيلات الإيجابية عبر كامل الطبقة قبل الأخيرة، مما يكسر التشابك بين إشارات المرض والارتباطات الديموغرافية.
3. التحقق التجريبي: تحسينات كبيرة في العدالة على مجموعة بيانات HAM10000 لآفات الجلد، ونتائج إيجابية عامة (وإن كانت مختلطة) على مجموعة بيانات Harvard OCT-RNFL لمرض الجلوكوما، والتي تم تحقيقها دون إشراف على السمات الحساسة.

النتائج التجريبية
تم تقييم الطريقة باستخدام بنية ResNet-18 التي تم ضبطها بدقة على مجموعتي بيانات.

• HAM10000 (آفات الجلد):

  • العدالة: قللت NIR التفاوت في معدل الإيجاب الحقيقي (TPR) عبر الفئات العمرية من 10.81% إلى 0.93% وعبر الجنس من 12.04% إلى 0.74% (انخفاضات تزيد عن 90%). كما تحسنت تفاوتات معدل الإيجاب الكاذب (FPR) بشكل كبير.
  • الدقة: حققت الطريقة تحسنًا طفيفًا في المساحة تحت المنحنى (AUC) بمقدار 0.51 نقطة (من 89.74% إلى 90.25%)، مما يشير إلى أن التمثيلات الموزعة لا تضر بالأداء التمييزي.

• Harvard OCT-RNFL (الجلوكوما):

  • العدالة: قللت NIR بشكل كبير من تفاوت معدل الإيجاب الكاذب (FPR) للعرق (من 15.68% إلى 10.66%) وللعمر (من 12.69% إلى 1.80%). شهدت تفاوتات TPR تحسينات متواضعة للعرق والجنس.
  • الدقة: انخفضت المساحة تحت المنحنى (AUC) بمقدار 3.03 نقطة (من 84.71% إلى 81.68). يعزو المؤلفون ذلك إلى صغر حجم مجموعة البيانات وعدم توازن الفئات، حيث قد يؤدي فرض حدوث موحد إلى قمع الخلايا العصبية ذات الحدوث العالي التي تحمل معلومات مرضية حقيقية متشابكة مع الديموغرافيا. يسلط هذا الضال الضوء على المقايضة المتأصلة بين الدقة والعدالة في الأنظمة ذات البيانات المقيدة.

الأهمية والادعاءات
يزعم البحث أن إعادة توزيع حدوث الخلايا العصبية تقدم استراتيجية مبدئية لتحسين العدالة الديموغرافية في الذكاء الاصطناك الطبي من خلال استهداف السبب الجذري للتفاوتات: الطبيعة متعددة المعاني للخلايا العصبية المهيمنة في النماذج التي تم تعلمها بالانتقال.

• العملية: على عكس العديد من تدخلات العدالة، لا تتطلب NIR تسميات ديموغرافية أثناء وقت التدريب، مما يجعلها عملية للغاية للنشر السريري حيث غالبًا ما تكون السمات الحساسة غير متوفرة أو محمية.
• القابلية للتفسير: يربط العمل بين مفاهيم تعلم التمثيل المجردة (تعدد المعاني، انهيار الخلايا العصبية) وبين التفاوتات الديموغرافية الملحوظة، مما يوفر تفسيرًا ميكانيكيًا لسبب فشل النماذج تجاه فئات معينة.
• الوعي بالمقايضة: يقر المؤلفون بتواضع أنه بينما تعد NIR فعالة للغاية في مجموعات البيانات الكبيرة (HAM10000)، فقد تترتب عليها تكلفة في الدقة في مجموعات البيانات الأصغر وغير المتوازنة (OCT-RNFL). وهم يصيغون ذلك ليس كفشل، بل كاعتبار مهم للمقايضة بين الدقة والعدالة، مشيرين إلى أن فرض استخدام ميزات أوسع يمكن أن يقلل من الاعتماد على الخلايا العصبية الأكثر تمييزًا ولكنها متشابكة ديموغرافيًا.

يخلص المؤلفون إلى أن إعادة توزيع أدلة المرض الكامنة عبر الطبقة قبل الأخيرة بالكامل هي نهج فعال وخالٍ من التسميات للتخفيف من تفاوتات المجموعات الفرعية، رغم أن العمل المستقبلي يجب أن يستكشف الجمع بين هذا النهج وفك الارتباط الصريح أو القيود السببية لتعميق فصل الميزات.