Bias-Aware Conformal Prediction for Metric-Based Imaging Pipelines

Resumen Técnico: Predicción Conforme Sensible al Sesgo para Pipelines de Imagen Basados en Métricas

Planteamiento del Problema
En los pipelines de imágenes médicas, las decisiones clínicas de alto riesgo a menudo dependen de métricas cuantitativas descendentes (por ejemplo, volumen tumoral, dosis de órganos) derivadas de imágenes reconstruidas. Si bien la Predicción Conforme (CP, por sus siglas en inglés) ofrece un marco robusto y libre de distribución para generar intervalos de predicción calibrados, las formulaciones estándar de CP enfrentan un desafío crítico en este dominio: el sesgo sistemático.

Los algoritmos de reconstrucción de imágenes suelen optimizarse para pérdidas píxel a píxel, lo que a menudo no coincide con los objetivos de las métricas descendentes. Este desajuste introduce desviaciones sistemáticas entre las métricas predichas y los valores de la verdad de campo (ground truth), lo que constituye el sesgo. El artículo argumenta que, si bien el impacto del sesgo ha sido ampliamente estudiado en la estadística clásica, sigue siendo poco explorado en la literatura de CP. Específicamente, las formulaciones existentes pueden producir intervalos de predicción ineficientes (excesivamente amplios) cuando hay presencia de sesgo, comprometiendo la utilidad de las medidas de confianza sin necesariamente invalidar las garantías de cobertura.

Metodología y Análisis Teórico
Los autores formalizan el comportamiento de las formulaciones de CP simétricas y asimétricas en presencia de un sesgo aditivo ($b$). Analizan dos puntuaciones de no conformidad comunes:

1. Residuos Absolutos ($L_1$): Donde la puntuación es la diferencia absoluta entre la predicción y la verdad de campo.
2. Basada en Cuantiles (CQR): Donde las puntuaciones se derivan de los cuantiles empíricos de la distribución de la predicción.

El estudio asume predicciones sesgadas de la forma $\hat{Y}^b_i = \hat{Y}^0_i + b$, donde $b$ es un sesgo aditivo escalar. Aprovechando la equivariancia de traslación de los operadores de cuantiles empíricos, los autores derivan las siguientes propiedades teóricas:

• Intervalos Simétricos: Para las formulaciones simétricas, los límites del intervalo se expanden equitativamente en ambas direcciones. Los autores demuestran que el límite superior de la longitud del intervalo aumenta linealmente con la magnitud del sesgo. Específicamente, $L_{sym}(\hat{Y}^b_{n+1}) \leq L_{sym}(\hat{Y}^0_{n+1}) + 2|b|$. Esto indica que los intervalos simétricos se inflan por un factor de dos veces la magnitud del sesgo.
• Intervalos Asimétricos: Para las formulaciones asimétricas, donde los límites inferior y superior se ajustan de manera desigual, los autores demuestran que la longitud del intervalo es invariante ante un sesgo aditivo constante. Debido a la equivariancia de traslación de las funciones de ajuste y de los operadores de cuantiles, el sesgo desplaza tanto el ajuste inferior como el superior de la misma manera, cancelándose en el cálculo de la amplitud del intervalo. Así, $L_{asym}(\hat{Y}^b_{n+1}) = L_{asym}(\hat{Y}^0_{n+1})$.
• Condición de Eficiencia: El artículo deriva una condición (Corolario 1) bajo la cual los intervalos asimétricos se vuelven más eficientes (más cortos) que los simétricos en presencia de sesgo. Si la longitud asimétrica sesgada es más corta que la longitud simétrica sesgada, implica que $2|b| \geq L^0_{asym} - L^0_{sym}$. Esto sugiere que cuando el sesgo es significativo, este puede superar la tendencia inherente de los intervalos asimétricos a ser más anchos que los simétricos en escenarios sin sesgo.

Validación Experimental
Los hallazgos teóricos fueron validados empíricamente utilizando un pipeline de reconstrucción de TC de visión dispersa (sparse-view CT) para la planificación de radioterapia (RT).

• Configuración: Los autores simularon un pipeline utilizando Campos de Atenuación Neuronal (NAF) para la reconstrucción a partir de proyecciones de haz cónico disperso. Generaron 10 reconstrucciones probabilísticas por paciente para 40 pacientes, creando un conjunto de datos con sesgos sistemáticos (por ejemplo, sobreestimación constante de los volúmenes de órganos).
• Métricas: El estudio evaluó varios parámetros de planificación de RT, incluyendo volumen de corazón, volúmenes pulmonares y métricas de dosis (por ejemplo, Corazón D35, Pulmón Derecho V20).
• Resultados:
  • Los experimentos confirmaron que el sesgo inducido por el pipeline es mensurable y varía significamente entre diferentes métricas.
  • Proposición 1 y 2: Los límites teóricos respecto a la inflación de los intervalos simétricos y la invariancia de los intervalos asimétricos se cumplieron el 100% de las veces en 100 divisiones aleatorias de calibración-prueba.
  • Corolario 1: La condición heurística para la elección de formulaciones asimétricas basada en la magnitud del sesgo se cumplió el 98.6% de las veces.
  • Eficiencia: En escenarios con un sesgo significativo, las formulaciones asimétricas produjeron intervalos más estrechos que las simétricas manteniendo la tasa de cobertura objetivo ($\alpha=0.1$).

Contribuciones Clave y Significado
El artículo realiza tres contribuciones principales:

1. Formalización de los Efectos del Sesgo: Proporciona un marco teórico que demuestra que los intervalos de CP simétricos se inflan en $2|b|$ en presencia de sesgo, mientras que los intervalos asimétricos permanecen inalterados.
2. Heurística de Selección: Establece una condición formal (Corolario 1) que permite a los profesionales determinar cuándo las formulaciones asimétricas producirán intervalos más eficientes que las simétricas basándose en la magnitud del sesgo en relación con la asimetría inherente de la distribución del error.
3. Validación Empírica en Contextos Clínicos: Valida estas teorías en una tarea de reconstrucción de TC de visión dispersa, un escenario crítico en entornos clínicos de bajos recursos donde los artefactos de reconstrucción y los sesgos son prevalentes.

Significado
Los autores concluyen que su trabajo permite a los usuarios de los pipelines de imágenes médicas seleccionar proactivamente las formulaciones de CP óptimas. Al contabilizar el sesgo, los profesionales pueden mejorar la eficiencia (estrechez) de los intervalos de predicción para métricas descendentes críticas sin sacrificar la validez de la cobertura. Esto aborda un vacío en la literatura de CP donde la interacción entre el sesgo de reconstrucción y la eficiencia del intervalo no había sido explorada previamente, allanando el camino para una cuantificación de la incertidumbre "sensible al sesgo" en las imágenes médicas.