Latent Space Analysis for Interpretable Uncertainty in Melanoma Classification

Résumé Technique : Analyse de l'Espace Latent pour une Incertitude Interprétable dans la Classification du Mélanome

Énoncé du Problème
Le mélanome est un cancer de la peau hautement agressif où la détection précoce est cruciale pour la survie des patients. Bien que l'apprentissage profond ait fait progresser la classification des lésions cutanées, les modèles standards fonctionnent souvent comme des « boîtes noires » inexpliquables. Ces modèles peinent à communiquer de manière transparente l'incertitude diagnostique, particulièrement dans les cas limites où les lésions partagent des caractéristiques morphologiques à la fois de nævus (NV) et de mélanomes (MEL). Ce manque d'interprétabilité limite la confiance clinique et entrave l'intégration efficace des outils automatisés dans les flux de travail diagnostiques, où la compréhension du « pourquoi » derrière une prédiction est aussi importante que la prédiction elle-même.

Méthodologie
Les auteurs proposent un cadre hybride qui transcende la simple classification binaire en exploitant un espace latent génératif structuré pour un support décisionnel interprétable. La méthodologie se compose de trois composantes primaires :

1. Auto-encodeur Variationnel Adversaire Sensible à la Classe (VAE-GAN) :

   • Architecture : Le modèle emploie une structure encodeur-décodeur. L'encodeur projette les images d'entrée (128×128×3) vers un espace latent continu de 256 dimensions, produisant un vecteur de moyenne ($\mu$) et une log-variance ($\log(\sigma^2)$). La technique de reparamétrage ($z = \mu + \sigma \odot \epsilon$) est utilisée pour assurer la différentiabilité.
   • Entraînement Adversaire : Pour surmonter la tendance des VAE standards à produire des reconstructions floues, un discriminateur est intégré. Cette composante adversaire force le décodeur à préserver les détails morphologiques à haute fréquence, critiques pour l'évaluation dermatologique.
   • Sensibilité à la Classe : Un Perceptron Multicouche (MLP) auxiliaire est attaché à la moyenne latente ($\mu$) pour imposer un regroupement (clustering) discriminatif de classe (MEL vs NV) pendant l'entraînement.
   • Fonction de Perte : Le modèle est optimisé via une fonction de perte multi-objectif : $L_{total} = L_{recon} + \lambda_{KL}L_{KL} + \lambda_{clf}L_{clf} + \lambda_{adv}L_{adv}$. Celle-ci équilibre la qualité de la reconstruction, la régularisation de l'espace latent, la précision de la classification et le réalisme adversaire.

2. Extraction de Caractéristiques Latentes et Classification :

   • Après l'entraînement, l'encodeur sert d'extracteur de caractéristiques déterministe, produisant le vecteur de moyenne latente $\mu$ (omettant le terme de bruit stochastique) pour chaque image.
   • Ces vecteurs de 256 dimensions sont standardisés et injectés dans trois classificateurs : Machine à Vecteurs de Support (SVM), Forêt Aléatoire (RF) et XGBoost.
   • Les hyperparamètres ont été ajustés via une recherche par grille (Grid Search) avec une validation croisée à 3 plis, en optimisant le score F1 moyen (macro-averaged). XGBoost a été sélectionné comme classificateur final.

3. Incertitude Interprétable via la Recherche d'Images Basée sur le Contenu (CBIR) :

   • Au lieu de fournir uniquement une étiquette binaire, le classificateur XGBoost produit un score de probabilité continu ($p \in [0, 1]$).
   • Pour les cas présentant une incertitude élevée (scores proches de 50 %), le cadre déclenche un système CBIR. L'image de requête est projetée dans l'espace latent, et les $k$ plus proches voisins (basés sur la distance euclidienne) sont extraits de l'archive d'entraînement.
   • Cela permet aux cliniciens de comparer visuellement une lésion ambiguë à des précédents historiques confirmés par biopsie, fournissant ainsi un contexte fondé sur des preuves.

Contributions Clés

• Changement de Paradigme : Ce travail réutilise la formulation générative des VAE non pas pour la synthèse d'images, mais pour distiller les caractéristiques cliniques dans un espace latent continu et sémantiquement structuré.
• Incertitude Interprétable : Le cadre traduit explicitement l'hésitation algorithmique en un outil de support décisionnel visuel. En extrayant des cas historiques morphologiquement similaires pour les prédictions limites, il comble le fossé entre la performance prédictive et la confiance clinique.
• Architecture Hybride : L'intégration d'un VAE adversaire avec un classificateur auxiliaire et un arbre de boosting de gradient (XGBoost) crée un système robuste au déséquilibre des classes tout en maintenant une topologie structurée pour la recherche.

Résultats
Le cadre a été évalué sur le jeu de données ISIC 2019, en se concentrant sur la classification binaire des Nævi (12 875 entraînement, 2 495 test) et des Mélanomes (4 522 entraînement, 1 327 test).

• Performance Prédictive : Le modèle VAE+XGBoost a atteint une précision de 81,26 %, une précision moyenne (macro) de 0,79, un rappel de 0,80 et un score F1 de 0,80. Il a obtenu une AUC de 0,8689.
• Comparaison aux Références (Baselines) : Bien que les modèles convolutifs de bout en bout comme ResNet50 et DenseNet121 aient atteint des AUC (0,90) et des scores F1 (0,83) légèrement supérieurs, le cadre proposé reste compétitif, surpassant ConvNeXt-T (AUC 0,66) et suivant de près EfficientNetV2 (AUC 0,88). Les auteurs notent que la légère réduction des métriques de prédiction brute est un compromis délibéré pour l'interprétabilité.
• Efficacité de la Recherche (Retrieval) : Le système CBIR a démontré une forte cohérence sémantique. Pour les requêtes générales, il a atteint une précision moyenne à 5 (mP@5) de 72,0 % et une précision Top-5 de 93,9 %. Crucialement, pour les véritables requêtes de mélanome (la classe minoritaire), le système a atteint une mP@5 de 44,7 %, surpassant significativement la recherche aléatoire et fournissant un mécanisme de « signal d'alarme » validé pour les cliniciens.

Signification et Revendications
L'article affirme que sa principale importance réside dans le dépassement du paradigme de la « boîte noire ». En utilisant un espace latent continu, le système ne se contente pas de classer les lésions, mais offre un mécanisme pour visualiser pourquoi une classification est incertaine. La recherche de précédents confirmés par biopsie pour les cas limites offre un double avantage : elle aide le clinicien à finaliser un diagnostic par comparaison visuelle et sert de système d'alerte précoce pour les lésions partageant des caractéristiques à la fois de nævus et de mélanomes. Les auteurs concluent que cette approche renforce la confiance diagnostique humaine en maintenant le clinicien « dans la boucle », offrant un support visuel transparent et fondé sur des preuves plutôt qu'une prédiction binaire aveugle. Des travaux futurs sont prévus pour étendre le cadre au diagnostic multiclasse (incluant BCC et BKL) et pour explorer des variantes avancées de l'espace latent comme le $\beta$-VAE pour un meilleur désenchevêtrement (disentanglement) des caractéristiques.