COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images

Resumen Técnico: COGENT

Planteamiento del Problema
El despliegue de modelos de aprendizaje profundo en aplicaciones médicas de alto riesgo, particularmente en imágenes volumétricas como TC y RM, requiere una explicabilidad robusta. Si bien los modelos modernos alcanzan un rendimiento de vanguardia, sus procesos de toma de decisiones suelen permanecer opacos. Los métodos de explicabilidad existentes para datos volumétricos operan predominantemente en el espacio de píxeles o vóxeles (espacio de la imagen). Estos enfoques a menudo fallan al no modelar explícitamente la estructura tridimensional subyacente de la escena, lo que genera explicaciones que son difíciles de interpretar anatómicamente o que oscurecen dependencias espaciales complejas. Además, muchas técnicas se aplican corte por corte, fallando en capturar estructuras de objetos 3D coherentes. Existe la necesidad de marcos de explicabilidad que operen directamente dentro de representaciones 3D estructuradas para preservar la consistencia anatómica y proporcionar información clínicamente significativa.

Metodología
El artículo presenta COGENT (Counterfactual Gaussian Explanations for Volumetric Medical Images), un marco que genera explicaciones contrafácticas directamente en el espacio de parámetros de representaciones volumétricas basadas en Gaussianas, en lugar de en el espacio de la imagen bruta. La metodología integra tres componentes principales:

1. Capa de Representación (MedGS): El marco utiliza MedGS (Medical Gaussian Splatting), que extiende el 3D Gaussian Splatting a la imagen médica multimodal. MedGS representa los datos médicos volumétricos como una colección de primitivas Gaussianas explícitas y diferenciables. Cada primitiva se define por parámetros que incluyen posición espacial ($x_i$), coeficientes de apariencia ($f_i$), opacidad ($o_i$), escala ($s_i$) y rotación ($r_i$). Esto crea un puente totalmente diferenciable entre los parámetros de la Gaussiana y las secciones de imagen renderizadas.
2. Predictor de Destino (Sybil): El marco emplea Sybil, un modelo de aprendizaje profundo diseñado para predecir el riesgo futuro de cáncer de pulmón directamente a partir de tomografías computarizadas de tórax de baja dosis. En COGENT, Sybil actúa como un clasificador fijo y congelado. Su salida (logits de riesgo) sirve como la señal de optimización.
3. Optimización Contrafáctica:
   • Formulación: La explicabilidad se plantea como un problema de optimización contrafáctica con restricciones. El objetivo es identificar qué primitivas Gaussianas, al ser modificadas, alterarían la predicción del modelo (por ejemplo, cambiando una predicción de alto riesgo a una de bajo riesgo).
   • Proceso: El sistema selecciona un subconjunto de Gaussianas (a menudo aquellas que intersectan máscaras anatómicas o regiones de interés específicas). Utilizando el Descenso de Gradiente Proyectado (PGD), el marco optimiza los parámetros de estas Gaussianas seleccionadas.
   • Flujo de Gradiente: Los gradientes se propagan hacia atrás desde el clasificador Sybil congelado, a través del pipeline de renderizado diferenciable, hacia los parámetros de la Gaussiana.
   • Restricciones: La optimización está restringida por un límite $L_\infty$ ($\epsilon$) e intervalos de recorte global para asegurar que el volumen perturbado permanezca anatómicamente cercano al original, evitando artefactos irreales.
   • Objetivo: La función de pérdida ($L_{cf}$) se define en base al objetivo contrafáctico, ya sea no dirigido (maximizar o minimizar un logit de riesgo específico) o dirigido (coincidir con un valor de logit específico).
   • Extracción: Tras la optimización, el marco identifica el 10% superior de las Gaussianas que sufrieron las actualizaciones de parámetros más significativas. Estas primitivas constituyen la explicación, representando las regiones estructurales y texturales específicas que impulsan la decisión del modelo.

Contribuciones Clave

• Marco de Espacio de Representación: Los autores introducen un nuevo marco que conecta las representaciones de MedGS con un modelo de predicción de riesgo de cáncer de pulmón volumétrico, desplazando la explicabilidad del espacio de la imagen al espacio de parámetros 3D estructurado.
• Optimización Contrafáctica en el Espacio de Parámetros: El trabajo formula la explicabilidad como un problema de optimización contrafáctica directamente dentro del espacio de parámetros de las representaciones Gaussianas 3D, lo que supone un alejamiento de los métodos convencionales de perturbación de píxeles/vóxeles.
• Explicaciones Clínicamente Significativas: El artículo demuestra que las explicaciones contrafácticas en el espacio de las Gaussianas producen resultados espacialmente localizados, dispersos y anatómicamente consistentes que se alinean con las expectativas clínicas, validados mediante métricas cuantitativas y evaluación de expertos.

Resultados
El marco fue evaluado en tomografías computarizadas de pulmón utilizando el modelo Sybil, comparando COGENT contra líneas base establecidas (GradCAM, Saliency, Integrated Gradients, Input $\times$ Gradient, Kernel SHAP) y una línea base de contrafácticos en el espacio de píxeles.

• Rendimiento Cuantitativo: COGENT logró los puntajes de localización más altos, con valores de RRA y RRA_abs de 0.2837, superando significativamente a la línea base clásica más fuerte, GradCAM (0.0805). Esto indica una capacidad superior para identificar las regiones patológicas que impulsan la predicción.
• Dispersión y Compacidad: COGENT mantuvo un alto grado de dispersión (0.6550), produciendo explicaciones enfocadas en comparación con el más difuso Kernel SHAP (0.2083).
• Estabilidad de la Perturbación: El método mostró puntajes competitivos de Perturbación-AUC (0.0396) y Media de Perturbación (0.0414), indicando un rendimiento estable a través de los criterios de evaluación.
• Evaluación Cualitativa y de Expertos: Las comparaciones visuales mostraron que COGENT produce modificaciones anatómicamente plausibles y localizadas (por ejemplo, apuntando a nódulos específicos), mientras que las líneas base en el espacio de píxeles resultaron en patrones dispersos y ruidosos. Una evaluación de radiólogos expertos en una escala de 5 puntos encontró que en el 40% de los casos, las explicaciones contrafácticas correspondieron a una mitigación positiva de la severidad de la enfermedad (atenuación de rasgos malignos), con otro 40% mostrando un impacto neutral. Las explicaciones localizaron consistentemente las regiones que un experto identificaría como sospechosas.

Significancia y Reivindicaciones
El artículo afirma que COGENT proporciona una nueva perspectiva para interpretar modelos de aprendizaje profundo volumétricos al embeber la explicabilidad dentro de la representación de la escena 3D explícita. La significancia radica en la capacidad de generar explicaciones que no solo son técnicamente efectivas para localizar la atención del modelo, sino que también son clínicamente significativas y anatómicamente consistentes. Al operar en el espacio de parámetros de las Gaussianas, el método evita la incoherencia anatómica que suele encontrar en las perturbaciones a nivel de vóxel. Los autores posicionan a COGENT como un paradigma general para la explicabilidad en el espacio de representación, demostrando su potencial para hacer que los modelos de IA volumétricos sean más transparentes y confiables para la toma de decisiones médicas. El trabajo sugiere que las explicaciones contrafácticas en el espacio de parámetros pueden revelar eficazmente la evidencia estructural y textural subyacente a las predicciones del modelo de una manera que se alinea con el entendimiento radiológico.