Probabilistic Robustness in Medical Image Classification

Resumen Técnico: Robustez Probabilística en la Clasificación de Imágenes Médicas

Planteamiento del Problema
Si bien el Aprendizaje Profundo (DL) ha demostrado un fuerte desempeño en tareas de clasificación de imágenes médicas —que abarcan desde el análisis de RM y TC hasta el diagnóstico de cáncer de piel y enfermedades pulmonares—, su despliegue en entornos clínicos de alta criticidad sigue obstaculizado por preocupaciones relativas a la confiabilidad. La investigación existente sobre robustez se centra predominantemente en la Robustez Adversaria (AR), la cual adopta una perspectiva de caso peor al buscar la perturbación determinista única dentro de un radio de norma que maximiza la pérdida de predicción. Los autores argumentan que esta formulación de caso peor es menos representativa de las aplicaciones médicas del mundo real, donde las perturbaciones suelen ser estocásticas (por ejemplo, degradación del equipo, desenfoque de cámara) en lugar de ataques deterministas. En consecuencia, existe la necesidad de una medida más práctica de la confiabilidad del modelo que considere la probabilidad de errores bajo perturbaciones aleatorias y realistas.

Metodología
Para abordar esta brecha, el estudio investiga la Robustez Probabilística (PR), un enfoque estadístico que evalúa la probabilidad general de que un modelo mantenga predicciones correctas bajo perturbaciones aleatorias. La metodología involucra tres componentes clave:

1. Definición de Robustez Probabilística: A diferencia de la AR, que resuelve para $\delta^* = \arg \max_{\|\delta\| \leq \gamma} L(x+\delta, y; \theta)$, la PR define la robustez como la probabilidad esperada de que la predicción del modelo permanezca sin cambios bajo una perturbación aleatoria $\delta$ extraída de una distribución de entrada local $Pr(\cdot|x)$. Formalmente, $R(x, \gamma) = \mathbb{E}_{\delta \sim Pr(\cdot|x), \|\delta\| \leq \gamma} [I\{f_\theta(x+\delta) = y\}]$.
2. Entornos de Corrupción Natural: Los autores construyen un conjunto de entornos de corrupción natural estándar para la clasificación de imágenes médicas adaptando tipos de perturbación ampliamente estudiados en la visión computacional general al dominio de las imágenes médicas.
3. Configuración Experimental: El estudio utiliza el conjunto de datos MedMNIST v2, específicamente el subconjunto PathMNIST (imágenes de patología colorrectal de 9 clases con aproximadamente 107k muestras). Se evalúan dos arquitecturas de red (backbones) CNN comunes, ResNet-18 y ResNet-50. El desempeño se mide utilizando métricas estándar (Exactitud y AUC) en imágenes limpias, junto con la evaluación de la PR bajo seis corrupciones naturales específicas: Desenfoque (Defocus), Desenfoque de movimiento (Motion blur), Tinción (Stain), Saturación, Pixelación y variaciones de Brillo. La evaluación de la PR sigue el protocolo de benchmarking definido en PRBench.

Contribuciones Clave
El artículo describe tres contribuciones primarias:

1. Investigación de la PR en el Contexto Médico: El trabajo destaca la relevancia práctica de la robustez probabilística para sistemas de diagnóstico médico de alta criticidad, argumentando que es más adecuada que la robustez adversaria de caso peor para escenarios de perturbación realistas.
2. Marco de Corrupción Estandarizado: Los autores construyen y estandarizan un conjunto de configuraciones de corrupción natural específicamente para tareas de imágenes médicas mediante la adaptación de perturbaciones de visión computacional general, permitiendo un protocolo de evaluación de robustez más realista.
3. Evaluación Sistemática: Se realiza una evaluación exhaustiva de ResNet-18 y ResNet-50 en MedMNIST v2, analizando la PR bajo configuraciones de corrupción de imágenes médicas además de la exactitud predictiva convencional.

Resultados
Los resultados experimentales en PathMNIST revelan varias perspectivas críticas:

• Caída Sustancial del Desempeño: Aunque los modelos alcanzan una alta exactitud en imágenes limpias (por ejemplo, ResNet-18: 90.68% ACC, 98.46% AUC), su robustez probabilística cae significativamente bajo corrupciones naturales. Por ejemplo, bajo variaciones de brillo, la PR cae al 62.84% para ResNet-18 y al 67.91% para ResNet-50.
• Dependencia de la Corrupción: La robustez es altamente dependiente del tipo de corrupción. Ambos modelos se mantienen relativamente robustos contra la Pixelación, la Tinción y la Saturación, pero son significativamente más vulnerables al Desenfoque de movimiento y al Desenfoque (Defocus). Las variaciones de brillo también causan una degradación sustancial.
• Desempeño en Imágenes Limpias vs. Robustez: Un mayor desempeño en imágenes limpias no garantiza una mejor robustez probabilística. Aunque ResNet-50 logra un ACC y AUC más altos que ResNet-18, no demuestra consistentemente una PR superior en todos los tipos de corrupción.

Significancia y Reivindicaciones
El artículo sostiene que la Robustez Probabilística ofrece una perspectiva más práctica que la robustez de caso peor para evaluar la confiabilidad de los modelos de DL bajo perturbaciones realistas. Al proporcionar una referencia estadísticamente fundamentada, este trabajo tiene como objetivo apoyar el despliegue más seguro de sistemas de aprendizaje profundo en el diagnóstico por imágenes médicas. El estudio enfatiza que los problemas de calidad de imagen comunes en la práctica (por ejemplo, la degradación del equipo) pueden conducir a predicciones menos confiables, incluso para modelos con alta exactitud estándar, lo que requiere marcos de evaluación que vayan más allá de los ejemplos adversarios deterministas.