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

Resumen Técnico: GANs Contrafactuales para Atribución de Imágenes Médicas

Enunciado del Problema
El artículo aborda la naturaleza de "caja negra" de los modelos de aprendizaje profundo, particularmente en el diagnóstico de imágenes médicas (MID) crítico para la seguridad. Si bien las técnicas de visualización existentes (por ejemplo, CAM, Grad-CAM) destacan las regiones discriminatorias utilizadas por los clasificadores, a menudo no tienen en cuenta todos los objetos notables y dependen de conjuntos de características mínimos, lo que potencialmente conduce a explicaciones engañosas. Además, los métodos existentes de Explicación Contrafactual (CX) a menudo generan instancias contrafactuales (CIs) inverosímiles. Estos métodos suelen reemplazar regiones de la imagen con valores arbitrarios o requieren conjuntos de datos emparejados (pares de entrada y contrafactual), los cuales rara vez están disponibles en dominios médicos (por ejemplo, un escaneo saludable del mismo paciente exacto). La falta de CIs semánticamente plausibles obstaculiza la capacidad de proporcionar razonamiento autoexplicativo basado en analogías (por ejemplo, "si este tumor no estuviera presente, el escaneo se vería como X").

Metodología
Los autores proponen CX-GAN, un modelo integrado basado en Redes Generativas Antagónicas (GANs) diseñado para aprender conjuntamente la generación de CIs plausibles y las Explicaciones Contrafactuales (CX) correspondientes sin requerir datos de entrenamiento emparejados.

1. Arquitectura: El modelo utiliza un marco de GAN de consistencia cíclica (CycleGAN) extendido con dos generadores y dos discriminadores:

   • Generador $G$: Traduce una imagen de entrada (por ejemplo, anómala/tumoral) a un dominio contrafactual (por ejemplo, normal/saludable), produciendo una CI plausible.
   • Generador $G_M$: Genera un Mapa de Cambios (la CX). Este mapa representa las diferencias específicas entre la entrada y la CI generada. Cuando se suma a la CI, reconstruye la entrada original.
   • Discriminadores ($D_x, D_y$): Aseguran que las imágenes y mapas generados pertenezcan a sus respectivas distribuciones de datos reales.

2. Funciones de Pérdida: El modelo se optimiza utilizando una función de pérdida compuesta:

   • Pérdida Adversarial ($L_{GAN}$): Asegura que las CIs generadas y los mapas de cambios sean indistinguibles de los datos reales en sus respectivos dominios.
   • Pérdida de Consistencia Cíclica ($L_{cyc}$): Exige que traducir una entrada a una CI y volver (o sumar el mapa de cambios a la CI) reconstruya la imagen original, asegurando la alineación semántica y previniendo transformaciones irrelevantes.
   • Objetivo Integrado: La pérdida total combina términos adversarios, de mapa de cambios y de consistencia cíclica, permitiendo que la red aprenda la traducción y la explicación simultáneamente.

3. Diseño de la Red: Los generadores emplean una arquitectura U-Net superficial con conexiones residuales para preservar la información de localización y contextual, mientras que los discriminadores utilizan estructuras CNN estándar.

Contribuciones Clave

• Generación de CI Plausible: El artículo plantea y resuelve el problema de generar instancias contrafactuales semánticamente plausibles para imágenes médicas sin requerir conjuntos de datos de entrada-salida emparejados.
• Método CX Integrado: Propone un marco unificado que genera tanto la imagen contrafactual como el "mapa de cambios" específico (atribución) que explica la diferencia, evitando los errores en cascada de los enfoques de dos pasos.
• Métrica de Evaluación: Se introduce una técnica novedosa para evaluar la calidad de las CIs generadas midiendo puntuaciones de "no semejanza" entre las regiones originales y contrafactuales, asegurando que los cambios sean significativos.
• Puntos de Referencia: El método se evalúa en datos sintéticos, un conjunto de datos de radiografías de tórax de tuberculosis y el conjunto de datos BraTS (Tumor Cerebral), proporcionando resultados de referencia frente a métodos existentes como CAM, Grad-CAM y VA-GAN.

Resultados
El CX-GAN propuesto se evaluó cuantitativamente utilizando puntuaciones Dice, Intersección sobre Unión (IoU) y Correlación Cruzada Normalizada (NCC), así como cualitativamente mediante inspección visual.

• Datos Sintéticos: CX-GAN logró un rendimiento superior con un IoU de 91.4 y una puntuación Dice de 95.5, superando significativamente a VA-GAN (IoU 87.2) y a los métodos discriminatorios (CAM/Grad-CAM).
• Conjuntos de Datos Médicos: En el conjunto de datos BraTS, CX-GAN logró un IoU de 91.4 y una puntuación Dice de 94.0, superando a VA-GAN (IoU 89.5, Dice 93.2). En el conjunto de datos de tuberculosis, logró un IoU de 74.73 y un Dice de 81.47.
• Hallazgos Cualitativos: Los resultados visuales indican que los métodos discriminatorios (CAM/Grad-CAM) a menudo destacan regiones mínimas o excesivamente amplias, mientras que VA-GAN introduce ruido y falsos positivos debido a mapeos no alineados. En contraste, CX-GAN produce mapas de cambios finos y libres de ruido que localizan con precisión las anomalías (por ejemplo, tumores) mientras generan contrapartes saludables plausibles.

Significado y Afirmaciones
El artículo afirma que acompañar las CX con CIs creíbles proporciona explicaciones autoexplicativas basadas en analogías cruciales para los profesionales médicos. Al generar un "cómo debería verse" (CI) junto con el "cómo se ve" (entrada) y la "diferencia" (CX), el método ofrece un proceso de razonamiento causal ("si X no hubiera ocurrido, Y no habría ocurrido"). Los autores enfatizan que este enfoque supera las limitaciones de las técnicas CX existentes que producen instancias inverosímiles o requieren datos emparejados no disponibles, mejorando así la interpretabilidad y la confiabilidad de los modelos de aprendizaje profundo en el diagnóstico médico. El estudio también destaca las limitaciones de los métodos CX actuales de vanguardia en la producción de instancias plausibles, posicionando el enfoque integrado de GAN propuesto como un avance necesario para aplicaciones críticas para la seguridad.