Autoassociative Learning of Structural Representations for Modeling and Classification in Medical Imaging

Cette étude propose un système neurosymbolique capable de reconstruire des images médicales à partir de primitives visuelles pour générer des explications structurelles, surpassant les architectures d'apprentissage profond classiques en précision de classification et en transparence pour le diagnostic des anomalies histologiques.

L'essentiel

Voici une explication simple et imagée de cette recherche, comme si on la racontait autour d'un café.

🎨 Le Problème : L'artiste qui ne voit que des pixels

Imaginez que vous essayez de décrire un tableau de Van Gogh à un robot.

• Les réseaux de neurones classiques (Deep Learning) sont comme un robot qui regarde le tableau et dit : « Ici, il y a un pixel bleu, là un pixel jaune, ici un pixel vert... ». Il mémorise des milliards de combinaisons de couleurs, mais il ne comprend pas ce qu'il voit. Il ne sait pas qu'il y a un « arbre » ou un « ciel ». C'est comme essayer de comprendre une symphonie en écoutant chaque note individuellement sans jamais entendre la mélodie.
• Le problème : Ce robot est très fort, mais il est aussi très fragile. Si on change un tout petit peu la lumière sur le tableau, il panique. De plus, il est une « boîte noire » : on ne sait pas pourquoi il a pris une décision. En médecine, c'est dangereux. Un médecin a besoin de savoir pourquoi un diagnostic est posé, pas juste d'un résultat magique.

🧩 La Solution : ASR, le dessinateur de schémas

Les chercheurs polonais (Zuzanna, Kacper et leur équipe) ont créé un nouveau système appelé ASR. Au lieu de regarder les pixels, ASR essaie de reconstruire l'image comme un enfant qui dessine avec des formes géométriques.

Voici l'analogie parfaite :
Imaginez que vous devez recopier une photo complexe d'une forêt.

• L'approche classique : Elle peint pixel par pixel.
• L'approche ASR : Elle dit : « Bon, je vais dessiner un grand ovale vert pour l'arbre, un petit rond bleu pour le ciel, et un trait courbe pour la rivière ».

Le système apprend à dire : « Pour reproduire cette image de tissu biologique, j'ai besoin de 10 ovales de telle taille, de telle couleur et orientés dans telle direction ».

🔬 L'Application : Diagnostiquer le cancer de la thyroïde

Pour tester leur idée, ils ont utilisé des images microscopiques de la thyroïde.

• Dans une thyroïde saine, les cellules (les follicules) sont rondes et bien rangées.
• Dans une maladie (comme la maladie de Hashimoto), elles sont petites, déformées et entourées de cellules immunitaires sombres.

Le système ASR a appris à « décomposer » ces images en ellipses (des ovales). Il a appris à dire : « Ah, ici, les ellipses sont petites et serrées, donc c'est probablement la maladie de Hashimoto ».

🌟 Pourquoi c'est génial ? (Les 3 avantages)

1. C'est plus intelligent avec moins de données :
   Comme le système apprend la structure (les formes) plutôt que de mémoriser des pixels, il a besoin de beaucoup moins d'exemples pour apprendre. C'est comme si un enfant apprenait à reconnaître un chat en comprenant qu'il a 4 pattes et une queue, plutôt qu'en mémorisant des millions de photos de chats.

2. C'est transparent (On comprend le "Pourquoi") :
   C'est le point le plus important. Quand ASR dit « C'est une maladie », on peut lui demander : « Pourquoi ? ».
   Il peut répondre : « Parce que j'ai détecté que les ellipses (les cellules) sont très petites et de couleur violette ».
   Les chercheurs ont même pu transformer ces données en un arbre de décision (un schéma logique simple) que n'importe quel médecin peut lire. C'est comme passer d'une réponse magique d'un oracle à un raisonnement clair et logique.

3. C'est plus précis :
   Dans leurs tests, ce système "neuro-symbolique" (un mélange de cerveau artificiel et de logique humaine) a été plus précis que les réseaux de neurones classiques pour diagnostiquer les problèmes de thyroïde, tout en étant plus facile à expliquer.

🏁 En résumé

Imaginez que vous voulez apprendre à un ordinateur à reconnaître des maladies.

• L'ancienne méthode lui donne un manuel de 10 000 pages de photos et lui dit : « Devine ! ».
• La nouvelle méthode (ASR) lui donne un kit de formes géométriques et lui dit : « Reconstruis l'image avec ces formes, et explique-moi quelles formes tu as utilisées ».

Le résultat ? Un système qui voit le monde non pas comme une masse de pixels flous, mais comme un ensemble d'objets clairs et définis, capable de donner un diagnostic médical fiable et, surtout, explicable. C'est un pas de géant vers une intelligence artificielle de confiance en médecine.

Résumé technique

Voici un résumé technique détaillé de l'article « Autoassociative Learning of Structural Representations for Modeling and Classification in Medical Imaging » (Apprentissage auto-associatif de représentations structurelles pour la modélisation et la classification en imagerie médicale).

1. Problématique et Contexte

L'article aborde les limitations des architectures d'apprentissage profond (Deep Learning - DL) basées sur les réseaux de neurones convolutifs (CNN) dans le domaine de la vision par ordinateur, en particulier pour l'imagerie médicale.

• Incompatibilité structurelle : Les CNN traitent les images comme des grilles de pixels continus et lisses. Or, le monde physique, à l'échelle humaine, est composé d'objets discrets aux propriétés bien définies (forme, taille, orientation, couleur). Les CNN ne capturent pas explicitement cette « objectité ».
• Conséquences : Cette approche basée sur les pixels augmente le risque de surapprentissage (overfitting), nécessite de vastes volumes de données annotées (coûteux en médecine) et offre peu d'explicabilité (boîte noire).
• Objectif : Développer un système capable de reconstruire une image non pas pixel par pixel, mais en termes de primitives visuelles (objets géométriques), forçant ainsi le modèle à former des explications structurelles de haut niveau.

2. Méthodologie : L'architecture ASR

Les auteurs proposent ASR (Auto-associative Structural Representations), un autoencodeur neurosymbolique conçu pour apprendre des représentations structurelles explicites.

Architecture Principale

Le système est composé de trois modules différentiables entraînés de bout en bout (end-to-end) :

1. Encodeur (ConvNet) : Une pile de blocs convolutifs (ConvBlocks) qui extrait des caractéristiques latentes à plusieurs échelles spatiales (résolutions).
2. Modélisateurs (Modelers) : Des couches de convolution $1 \times 1$ qui transforment les vecteurs latents de l'encodeur en paramètres interprétables pour des primitives graphiques. Dans cette étude, les primitives choisies sont des ellipses. Chaque modélisateur prédit six paramètres par localisation :
   • Facteurs d'échelle horizontale et verticale ($w, h$).
   • Angle de rotation ($d$).
   • Composantes de couleur RGB ($a$).
3. Rendu (Renderer) : Un module de rendu différentiable qui reconstruit l'image à partir des ellipses paramétrées.
   • Il génère des « blobs » flous (ellipses floues) pour assurer la différentiabilité.
   • Il utilise une agrégation multiplicative des canaux RGB (modèle de transmission de la lumière, pertinent pour l'imagerie histologique où les tissus absorbent la lumière).
   • Il combine les rendus de différentes échelles spatiales avec une couleur de fond prédite.

Stratégies d'Entraînement

Pour éviter que le modèle ne se contente de copier les pixels et pour encourager l'utilisation de primitives à différentes échelles, trois variantes sont testées :

• Base : Entraînement standard avec une fonction de perte de reconstruction (MSE masquée).
• Regularized (Régularisé) : Ajout d'une pénalité (ARV) pour limiter le nombre de primitives utilisées, favorisant une représentation plus concise.
• Incremental (Incidental) : Une stratégie d'apprentissage progressive où le modèle est forcé d'utiliser d'abord les échelles grossières (coarse) avant d'avoir accès aux échelles fines, afin d'apprendre une hiérarchie structurelle robuste.

3. Validation Expérimentale

L'étude est appliquée à l'imagerie histologique de la glande thyroïde, où les follicules thyroïdiens (structures ovales ou rondes) se prêtent naturellement à une modélisation par ellipses.

• Données : 30 examens complets (Whole Slide Images) provenant de la base de données BRD, divisés en trois classes cliniques :
  1. Bénin (tissu normal).
  2. Hashimoto (infiltration lymphoplasmocytaire, follicules plus petits et dispersés).
  3. Nodularité (tissu conjonctif dominant, follicules rares).
• Protocole :
  • Étape 1 (Apprentissage de représentation) : Entraînement des autoencodeurs (ASR et un CNN classique) sur des patchs d'images non annotés pour reconstruire l'image.
  • Étape 2 (Classification) : Les caractéristiques latentes extraites par les encodeurs sont agrégées et utilisées pour entraîner un arbre de décision (modèle transparent) afin de classifier les patchs.

4. Résultats Clés

• Reconstruction (Étape 1) :
  • Les modèles ASR obtiennent des scores de reconstruction (MAE, MSE, SSIM) légèrement inférieurs à ceux de l'autoencodeur CNN classique (Baseline).
  • Cependant, les variantes ASR (surtout Regularized et Incremental) montrent un SSIM plus élevé, indiquant qu'elles préservent mieux la structure globale de l'image plutôt que de se focaliser sur le bruit pixelique.
• Classification (Étape 2) :
  • Performance supérieure : Toutes les configurations ASR surpassent largement l'autoencodeur CNN de base sur toutes les métriques (Précision, Rappel, F1-score, Exactitude). Le meilleur modèle ASR atteint environ 77,7 % d'exactitude, contre 53,8 % pour le meilleur modèle CNN.
  • Explicabilité : Les arbres de décision induits à partir des représentations ASR sont très compacts (ex: 6 nœuds de décision). Ils utilisent des paramètres interprétables (ex: hauteur moyenne des ellipses à une échelle donnée) pour distinguer les classes.
  • Analyse des caractéristiques : L'analyse d'importance des caractéristiques révèle que les propriétés géométriques des ellipses à l'échelle la plus grossière (taille et orientation) sont les plus discriminantes pour le diagnostic, confirmant que le modèle a appris des concepts de haut niveau pertinents.

5. Contributions et Signification

• Approche Neurosymbolique : L'article démontre la viabilité d'une approche hybride combinant la puissance d'apprentissage des CNN (encodeur) et la rigueur symbolique des représentations géométriques (décodeur).
• Explicabilité Intrinsèque : Contrairement aux méthodes de post-hoc (comme les cartes de chaleur), ASR fournit une explication native du diagnostic via les propriétés des primitives (ex: « les follicules sont petits et dispersés » pour Hashimoto).
• Efficacité des Données : La méthode parvient à obtenir une meilleure performance de classification avec moins de paramètres latents (36 attributs structurés contre 200 pour le CNN) et sans nécessiter d'annotations de segmentation pendant l'entraînement de la représentation.
• Impact Médical : Cette approche offre une voie prometteuse pour le diagnostic assisté par ordinateur en imagerie médicale, où la confiance et la traçabilité des décisions sont aussi importantes que la précision pure.

En conclusion, ASR prouve que forcer un modèle à « expliquer » une image par des objets géométriques conduit à des représentations plus robustes, plus interprétables et souvent plus performantes pour des tâches de classification spécifiques que les approches purement basées sur les pixels.