Towards Trustworthy Breast Cancer Diagnosis: A Comparative Explainability Stability Study of DenseNet121 and Vision Transformers

Resumen Técnico: Hacia un Diagnóstico de Cáncer de Mama Confiable

Planteamiento del Problema
Los modelos de aprendizaje profundo han demostrado un alto éxito en la clasificación de imágenes médicas, particularmente para el diagnóstico de cáncer de mama mediante imágenes de histopatología. Sin embargo, estos modelos suelen funcionar como "cajas negras", careciendo de interpretabilidad para los clínicos, lo que socava la confianza en aplicaciones de seguridad crítica. Si bien las herramientas de Inteligencia Artificial Explicable (XAI), como SHAP (SHapley Additive exPlanations), proporcionan justificaciones visuales para las predicciones, existe una brecha significativa en la comprensión de la estabilidad y robustez de estas explicaciones. Específicamente, no está claro cómo difiere la estabilidad de la explicación entre arquitecturas convolucionales (por ejemplo, DenseNet) y arquitecturas basadas en transformadores (por ejemplo, Vision Transformers) cuando los datos de entrada sufren perturbaciones menores como ruido, cambios de brillo o escalado de contraste. Sin explicaciones estables, los clínicos pueden perder la confianza en los sistemas de diagnóstico automatizados, incluso si la precisión de la clasificación sigue siendo alta.

Metodología
Este estudio propone un marco comparativo para evaluar la estabilidad de la explicabilidad de los modelos DenseNet121 (una Red Neuronal Convolucional) y Vision Transformer (ViT) en el conjunto de datos de Imágenes de Histopatología de Mama. La metodología asegura una comparación justa al entrenar ambas arquitecturas con el mismo preprocesamiento, parámetros de optimización y configuraciones de perturbación.

1. Preparación de Datos: El conjunto de datos se estratificó en conjuntos de entrenamiento, validación y prueba. Las imágenes se redimensionaron a 224x224, se normalizaron utilizando estadísticas de ImageNet y se aumentaron mediante la inversión horizontal aleatoria.
2. Arquitectura del Modelo:
   • DenseNet121: Utiliza conectividad densa para facilitar la reutilización de características y la propagación de gradientes, centrándose en contextos espaciales locales.
   • Vision Transformer (ViT-B/16): Divide las imágenes en parches y utiliza mecanismos de autoatención para modelar dependencias de largo alcance y contexto global.
3. Generación de la Explicabilidad: Se empleó SHAP (específicamente GradientExplainer) para generar mapas de atribución visual para ambos modelos, resaltando las regiones que impulsan la decisión de clasificación.
4. Análisis de Estabilidad: Para evaluar la robustez, las imágenes de entrada fueron sometidas a tres tipos de perturbaciones: ruido gaussiano, cambio de brillo y escalado de contraste.
5. Métricas Cuantitativas: La estabilidad de las explicaciones se midió utilizando:
   • Similitud de Coseno: Para medir la consistencia direccional entre las explicaciones originales y las perturbadas.
   • Diferencia Absoluta Media (MAD): Para cuantificar la magnitud de los cambios en los valores de atribución.
   • Índice de Similitud Estructural (SSIM): Para evaluar la similitud perceptual.
6. Validación Estadística: Se realizaron pruebas t de muestras pareadas y análisis del tamaño del efecto de Cohen para determinar si las diferencias observadas en la estabilidad entre las dos arquitecturas eran estadísticamente significativas.

Contribuciones Clave

• Estudio Comparativo de Estabilidad: Este trabajo llena un vacío en la literatura al comparar directamente la estabilidad de la explicación de arquitecturas basadas en CNN y en Transformadores en el contexto de la histopatología de mama, un dominio donde tales comparaciones son escasas.
• Evaluación de Doble Métrica: El estudio va más allá de la precisión predictiva para evaluar simultáneamente el rendimiento de la clasificación y la robustez de los resultados de XAI bajo perturbaciones de entrada.
• Rigor Estadístico: A diferencia de estudios previos que pueden depender de la inspección visual o comparaciones de una sola métrica, esta investigación emplea pruebas estadísticas rigurosas (pruebas t y análisis de tamaño de efecto) para validar la significancia de las diferencias de estabilidad.
• Identificación de Intercambios (Trade-offs): El artículo identifica y cuantifica explícitamente el compromiso entre la alta precisión de clasificación/explicaciones localizadas (DenseNet) y la consistencia de la explicación bajo perturbación (ViT).

Resultos Experimentales

• Rendimiento de Clasificación: DenseNet121 superó al Vision Transformer en métricas predictivas, logrando un 91% de precisión y un 0.965 de ROC-AUC, frente al 89% de precisión y 0.948 de ROC-AUC del ViT. DenseNet121 también demostró una mayor sensibilidad y exhaustividad (recall) para muestras malignas, lo cual es crítico para minimizar los falsos negativos en el diagnóstico médico.
• Localización de la Explicación: DenseNet121 produjo mapas de atribución más coherentes espacialmente y localizados, alineándose estrechamente con las estructuras de tejido diagnósticamente relevantes. En contraste, las explicaciones de ViT fueron más distribuidas, reflejando su mecanismo de atención global.
• Estabilidad bajo Perturbación: El Vision Transformer demostró una estabilidad de explicación superior. Logró valores más altos de Similitud de Coseno (0.261 frente a 0.218) y SSIM (0.667 frente a 0.509), y un MAD menor (0.00044 frente a 0.00138) en comparación con DenseNet121. Esto indica que las explicaciones de ViT se mantuvieron más consistentes cuando las imágenes de entrada fueron alteradas por ruido o cambios de contraste.
• Significancia Estadística: Se encontró que la diferencia en la estabilidad de la explicación entre los dos modelos fue estadísticamente significativa (p < 0.001), con un tamaño de efecto de Cohen de -0.341, confirmando que la ventaja de estabilidad observada del ViT no se debe al azar.

Significancia y Reivindicaciones
El artículo argumenta que los sistemas de IA médica confiables deben evaluarse tanto en la precisión de la clasificación como en la fiabilidad de sus explicaciones. Los hallazgos resaltan un compromiso crítico: mientras que DenseNet121 ofrece una precisión diagnóstica y una interpretabilidad localizada superiores, el Vision Transformer proporciona explicaciones más robustas y consistentes ante variaciones de entrada.

Los autores concluyen que, para el apoyo a la decisión clínica, confiar únicamente en la precisión es insuficiente. Los futuros marcos de IA médica deben incorporar la estabilidad de las explicaciones como una métrica central. El estudio sugiere que la elección de la arquitectura debe depender del requisito clínico específico: si la prioridad es la máxima sensibilidad diagnóstica, DenseNet121 es preferible; si la prioridad es mantener una interpretabilidad consistente a pesar de las inconsistencias menores en la imagen (comunes en escenarios del mundo real), el Vision Transformer ofrece una ventaja distintiva. El trabajo subraya la necesidad de una evaluación holística de los sistemas de IA para asegurar que no solo sean precisos, sino también clínicamente confiables y seguros.