Resumen Técnico: Información de Fisher Dependiente de la Entrada para el Análisis de Sensibilidad Local de Clasificadores de Imágenes Médicas

Declaración del Problema

Las redes neuronales profundas han alcanzado un alto rendimiento en la clasificación de imágenes médicas, pero a menudo operan como "cajas negras". Aunque los métodos de interpretación post-hoc (p. ej., Grad-CAM, Integrated Gradients) se utilizan ampliamente para visualizar las regiones asociadas con las salidas del modelo, estos dependen frecuentemente de cantidades heurísticas que varían según las arquitecturas e implementaciones. Crucialmente, estos mapas de atribución no siempre proporcionan una caracterización fundamentada de cómo la distribución predictiva de un clasificador responde a las perturbaciones de la entrada. Existe la necesidad de una herramienta intrínseca al modelo para analizar la sensibilidad de decisión local sin requerir un rediseño arquitectónico o supervisión adicional.

Metodología

Los autores proponen un marco de análisis de sensibilidad local basado en la Matriz de Información de Fisher Dependiente de la Entrada (iFIM). Este enfoque cuantifica la sensibilidad local de la distribución predictiva de un clasificador ante perturbaciones infinitesimales de la imagen de entrada.

Marco Central

1. Definición de iFIM: Para un clasificador entrenado $f_\theta$ y una imagen de entrada $x$, la iFIM $F(x)$ se define como el producto exterior esperado de los gradientes de la distribución predictiva de logaritmo respecto a la entrada:
   $$F(x) = \mathbb{E}_{y \sim p_\theta(\cdot|x)} [\nabla_x \log p_\theta(y|x) \nabla_x \log p_\theta(y|x)^\top]$$
   Esta matriz caracteriza cómo cambia la distribución predictiva localmente alrededor de $x$.

2. Factorización de la Matriz de Gram: La construcción directa de la matriz de Fisher completa de $d \times d$ (donde $d$ es el número de píxeles) es computacionalmente inviable para entradas a escala de imagen. Los autores utilizan una formulación de matriz de Gram para recuperar eficientemente el espectro propio no nulo. Al definir una matriz $G(x)$ que contiene gradientes de clase ponderados, la iFIM se expresa como $F(x) = G(x)G(x)^\top$. Los autovalores no nulos de la matriz de Gram mucho más pequeña $K(x) = G(x)^\top G(x)$ (donde $C$ es el número de clases) coinciden con los de $F(x)$. Esto permite el cálculo tratable de los autovectores principales.

3. Descomposición de la Imagen: La imagen de entrada se descompone en dos componentes ortogonales basados en la estructura espectral de la iFIM:

   • Componente Sensible a la Tarea ($x_{sens}$): La proyección de la imagen sobre el subespacio generado por los autovectores principales de la iFIM (asociados con los autovalores más grandes). Este componente corresponde a direcciones de alta sensibilidad predictiva local.
   • Componente Insensible a la Tarea ($x_{comp}$): El complemento ortogonal, que contiene direcciones de menor sensibilidad y componentes del nul espacio.

   La descomposición se define como $x = x_{sens} + x_{comp}$. Los autores enfatizan que estos son proyecciones sobre direcciones de sensibilidad, no necesariamente segmentaciones semánticas de la anatomía.

Principales Contribuciones

• Formulación: Un marco de información teórica utilizando la iFIM para caracterizar la sensibilidad local de la distribución predictiva de un clasificador de imágenes médicas entrenado ante perturbaciones de la entrada.
• Eficiencia Computacional: Un método de factorización de matriz de Gram que recupera el espectro propio no nulo de la iFIM sin construir la matriz de Fisher completa de dimensión de imagen, permitiendo la aplicación a datos de imagen de alta dimensión.
• Definición de Descomposición: Una descomposición basada en proyecciones de imágenes de entrada en componentes de alta sensibilidad y componentes ortogonales de baja sensibilidad, con una interpretación aclarada para configuraciones de bajo rango (p. ej., clasificación binaria).
• Evaluación: Evaluación exhaustiva a través de tareas controladas y clínicas de clasificación de imágenes médicas mediante análisis de perturbación y comparaciones entre múltiples arquitecturas.

Resultados Experimentales

El marco fue evaluado en tres tareas:

1. OCT Retiniano: Clasificación de tres clases (Normal, Drusen, CNV).
2. Radiografía de Tórax: Detección de cardiomegalia.
3. MRI Estilizada: Tarea de señal conocida/fondo conocido estadísticamente (SKS/BKS).

Hallazgos:

• Visualización: En entornos controlados de MRI, el componente sensible a la tarea se concentró alrededor de las regiones de señal conocidas. En tareas clínicas (OCT y radiografía de tórax), los mapas sensibles a la tarea se alinearon con las regiones portadoras de patología (p. ej., capas retinianas para Drusen/CNV, silueta cardíaca para cardiomegalia), mientras que el componente insensible capturó variaciones del fondo.
• Dependencia de la Arquitectura: La distribución espacial del componente sensible a la tarea varió entre las arquitecturas VGG16 y ResNet18, incluso cuando ambas lograron un rendimiento predictivo similar. Esto sugiere que la iFIM revela geometrías de decisión locales específicas de la arquitectura.
• Análisis de Perturbación:
  • Perturbación Contrastiva: Cuando los píxeles con magnitud alta en el mapa de la iFIM sensible a la tarea fueron perturbados (reemplazados con ruido), la puntuación F1 del clasificador se degradó significativamente más que cuando se perturbaron los píxeles del mapa de la iFIM insensible a la tarea. El método basado en iFIM logró una mayor relación de degradación de rendimiento en comparación con otros métodos de atribución (DeepSHAP, variantes de Grad-CAM, etc.).
  • Robustez Adversaria: El mapa de la iFIM sensible a la tarea exhibió la menor correlación entre entradas limpias y perturbadas adversarialmente (acercándose a cero para las tareas de OCT y radiografía de tórax), lo que indica que la representación es altamente sensible a las perturbaciones que alteran la decisión.

Significado y Reivindicaciones

El artículo postula que el marco iFIM sirve como una herramienta fundamentada para analizar la sensibilidad de decisión local en clasificadores de imágenes médicas. A diferencia de los mapas de calor de atribución convencionales que ofrecen puntuaciones de importancia píxel a píxel, la iFIM proporciona una descripción geométrica e intrínseca al modelo de cómo las perturbaciones cerca de una entrada dada influyen en la distribución predictiva.

Los autores afirman que:

1. Los componentes de alta sensibilidad de la iFIM están más fuertemente acoplados a los cambios en la confianza predictiva y el rendimiento de la clasificación que los componentes de baja sensibilidad.
2. El marco complementa los métodos existentes de interpretabilidad basados en la atribución en lugar de reemplazarlos, ofreciendo una perspectiva diferente centrada en la estructura de sensibilidad local de la distribución predictiva.
3. El método permite el análisis de clasificadores estándar ya entrenados sin modificar la arquitectura del modelo.

Los autores mantienen la modestia respecto a las afirmaciones semánticas o causales, señalando que, si bien la descomposición se alinea con estructuras de señal conocidas en entornos controlados y con la patología en entornos clínicos, las afirmaciones fuertes sobre la relevancia semántica o causal para la tarea requerirían validación contra estándares de referencia independientes (p. ej., anotaciones de expertos). La contribución principal es la caracterización de la sensibilidad predictiva local.