🤖 machine learning

A Concept-based approach to Voice Disorder Detection

Cet article propose une approche d'IA explicable basée sur les concepts, utilisant des modèles de goulot d'étranglement conceptuel (Concept Bottleneck Models) et des modèles d'incorporation de concepts (Concept Embedding Models), pour détecter les troubles de la voix avec des performances comparables aux méthodes traditionnelles d'apprentissage profond tout en offrant une prise de décision transparente et interprétable pour la confiance clinique.

Auteurs originaux : Davide Ghia, Gabriele Ciravegna, Alkis Koudounas, Marco Fantini, Erika Crosetti, Giovanni Succo, Tania Cerquitelli

Publié 2026-06-08

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Davide Ghia, Gabriele Ciravegna, Alkis Koudounas, Marco Fantini, Erika Crosetti, Giovanni Succo, Tania Cerquitelli

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous avez un robot médecin très intelligent et super rapide. Ce robot peut écouter la voix d'une personne et vous dire instantanément si elle présente un trouble de la voix (comme une voix enrouée ou tendue) ou si sa voix est saine.

Le problème avec ce robot, tel que décrit dans l'article, est qu'il est une « boîte noire ». Il vous donne un diagnostic, mais il ne peut pas expliquer pourquoi. C'est comme une boule de cristal magique qui se contenterait de dire « Oui » ou « Non » sans montrer sa logique. Dans le domaine de la santé, les médecins et les patients ont besoin de savoir pourquoi une décision a été prise pour pouvoir lui faire confiance.

Cet article présente une nouvelle façon de construire ce robot pour qu'il agisse davantage comme un expert humain capable d'expliquer son raisonnement. Voici comment ils ont procédé, en utilisant des analogies simples :

1. Le robot « Traducteur » (l'LLM)

D'abord, les chercheurs avaient besoin d'apprendre au robot ce qu'il devait surveiller. Ils disposaient de milliers de dossiers de patients écrits par de vrais médecins (appelés « anamnèse »). Ces fichiers étaient désordonnés, comme des notes manuscrites dans un journal intime, et non des données organisées.

Pour corriger cela, ils ont utilisé un « Robot Traducteur » (un grand modèle de langage, ou LLM). Voyez ce traducteur comme un secrétaire super organisé. Vous lui donnez une note de médecin désordonnée, et il en extrait des faits spécifiques et clairs sous forme de liste de contrôle.

La Liste de Contrôle : Au lieu de simplement dire « malade », le traducteur extrait des traits spécifiques tels que : La voix est-elle rugueuse ? Y a-t-il une tension ? Le patient est-il fumeur ? L'utilisation de la voix est-elle professionnelle ?
Le Résultat : Ils ont transformé 14 idées médicales différentes en une liste propre de 9 « concepts » spécifiques que le robot pouvait comprendre (comme « Rugosité : Oui » ou « Tension : Non »).

2. Les deux nouveaux designs de robots

Les chercheurs ont construit deux nouveaux types de robots qui utilisent cette liste de contrôle. Ils les appellent des Modèles basés sur des concepts (Concept-Based Models).

Le Robot « Goulot d'étranglement » (CBM) :
Imaginez une ligne de montage d'usine.

Entrée : Le robot écoute la voix.
Le Goulot d'étranglement : Avant de pouvoir prendre une décision finale, il doit s'arrêter et remplir un formulaire. Il doit répondre à : « Y a-t-il de la rugosité ? Oui/Non. Y a-t-il de la tension ? Oui/Non. »
Sortie : Ce n'est qu'après avoir rempli ce formulaire qu'il rend le diagnostic final.

Pourquoi c'est génial : Vous pouvez voir le formulaire ! Si le robot dit « Pathologique », vous pouvez regarder le formulaire et voir : « Ah, il a coché 'Oui' pour la rugosité et 'Oui' pour la tension. » Vous savez exactement pourquoi il a pris cette décision.
Le Robot « Embedding » (CEM) :
C'est une version légèrement plus avancée de l'usine. Au lieu de simplement cocher des cases, il crée une « empreinte digitale » unique pour chaque concept (comme une carte d'identité numérique pour la « Rugosité »). Il mélange ces empreintes pour prendre la décision finale. C'est un peu plus complexe, mais cela conserve une logique transparente.

3. Le Grand Test : Est-ce que ça marche ?

Les chercheurs ont testé ces nouveaux robots contre l'ancien robot « Boîte Noire » (un réseau de neurones profonds standard).

L'Ancien Robot : Très précis, mais on ne pouvait pas lui demander « Pourquoi ? ».
Les Nouveaux Robots : Ils étaient presque aussi précis que l'ancien (obtenant environ 87-88 % de réussite contre 91 % pour l'ancien).
La Victoire : Les nouveaux robots pouvaient s'expliquer. Si le robot signalait une voix comme étant perturbée, il pouvait pointer les « concepts » spécifiques qu'il avait détectés, comme « La voix est soufflée et présente un intervalle glottique ».

4. Le Scénario « Idéal »

Les chercheurs ont également imaginé un « Robot Parfait » (appelé l'Idéal CBM). Ce robot n'avait pas besoin de deviner les concepts ; il recevait la liste de contrôle parfaite fournie par un humain. Même avec cette aide parfaite, les nouveaux robots performaient très près du sommet. Cela a prouvé que les concepts qu'ils ont choisis (comme la rugosité, la tension, le souffle) étaient réellement les bons éléments à surveiller pour diagnostiquer les problèmes de voix.

Résumé

En bref, cet article affirme : « Nous avons construit une IA de diagnostic vocal qui ne se contente pas de deviner ; elle réfléchit en termes d'idées compréhensibles par l'humain comme la 'rugosité' ou la 'tension'. »

L'ancienne méthode : « La voix est malade. » (Pas d'explication).
La nouvelle méthode : « La voix est malade parce qu'elle est rugueuse, tendue et soufflée. » (Explication claire).

L'article conclut que cette méthode est un pas de géant car elle rend l'IA digne de confiance pour les médecins, leur permettant de voir le « pourquoi » derrière le diagnostic sans pour autant sacrifier trop de précision. Ils suggèrent également qu'à l'avenir, ce système pourrait rédiger un rapport complet pour le médecin, mais pour l'instant, ils ont simplement prouvé qu'il fonctionne comme un outil de diagnostic transparent.

Résumé technique : Une approche basée sur les concepts pour la détection des troubles de la voix

Problématique

Les troubles de la voix affectent une partie significative de la population, pourtant les méthodes de diagnostic actuelles reposent souvent sur des procédures cliniques invasives. Bien que les réseaux de neurones profonds (DNN) récents, particulièrement ceux basés sur les architectures Transformer, aient démontré des performances prometteuses pour classer les voix pathologiques par rapport aux voix euphoniques via l'analyse audio non invasive, ils souffrent d'une limitation critique : l'opacité. Ces modèles fonctionnent comme des « boîtes noires », fournissant des résultats sans expliquer le processus de décision. Dans le contexte sensible de la santé, ce manque d'interprétabilité soulève des préoccupations éthiques et juridiques, entravant la confiance et l'adoption clinique des diagnostics pilotés par l'IA. L'article répond au besoin d'un outil de diagnostic qui maintienne une haute performance prédictive tout en offrant un cadre de décision transparent et interprétable.

Méthodologie

Les auteurs proposent une approche basée sur les concepts utilisant l'IA explicable (XAI), en se concentrant spécifiquement sur les Modèles à Goulot d'Étranglement de Concepts (CBM - Concept Bottleneck Models) et les Modèles d'Encastrement de Concepts (CEM - Concept Embedding Models). La méthodologie repose sur un processus en deux étapes :

1. Annotation des concepts via des modèles de langage étendus (LLM)

Puisque le jeu de données cible (Italian Pathological Voice - IPV) contient une anamnèse textuelle non structurée (antécédents médicaux) plutôt que des concepts pré-étiquetés, les auteurs ont développé un pipeline pour extraire 14 concepts candidats de ces textes.

Extraction : Ils ont utilisé un LLM (spécifiquement Gemini-pro, sélectionné après des tests comparatifs avec Mistral 7B) pour analyser l'anamnèse et produire un objet JSON structuré contenant les valeurs des concepts.
Définition des concepts : L'ensemble initial comprenait 14 concepts (ex: tabagisme, usage professionnel de la voix, sévérité de la dysphonie, onde muqueuse irrégulière, rugosité, essoufflement).
Raffinement : Par voie de consultation avec des experts médicaux, l'ensemble a été affiné. Les concepts nécessitant des examens physiques invasifs (ex: couleurs spécifiques de la muqueuse) ont été exclus. D'autres ont été fusionnés (ex: « dysphonie légère-modérée » fusionnée avec « modérée »). L'ensemble final comprend 9 concepts prévisibles (dérivés de l'audio/anamnèse via le modèle) et 5 concepts fournis par le patient (ex: genre, statut de fumeur). Les concepts prévisibles s'alignent largement sur l'échelle GRBAS (Grade, Roughness [Rugosité], Asthenia [Asthénie], Strain [Tension]).
Codage : Les concepts multi-classes (ex: sévérité de la dysphonie) ont été encodés en "one-hot", résultant en un total de 20 dimensions de concepts avant la sélection finale.

2. Architecture du modèle

Le cadre proposé utilise HuBERT, un Transformer audio pré-entraîné, comme extracteur de caractéristiques pour générer des plongements (embeddings) audio. Deux architectures sont implémentées :

Modèle à Goulot d'Étranglement de Concepts (CBM) : Les plongements audio passent par une tête de classification pour prédire les valeurs binaires des 9 concepts (le « goulot d'étranglement »). Ces concepts prédits sont concaténés avec les 5 concepts fournis par le patient. Un second classificateur mappe ensuite ce vecteur de concepts combiné vers le diagnostic binaire final (pathologique vs euphonique). Crucialement, le classificateur final n'a pas accès au signal audio brut, se reposant uniquement sur les concepts.
Modèle d'Encastrement de Concepts (CEM) : Similaire au CBM, mais au lieu de prédire des logits binaires, la couche de goulot d'étranglement apprend deux plongements distincts pour chaque concept (états actifs et inactifs). La prédiction finale est une combinaison pondérée de ces plongements basée sur la probabilité prédite que le concept soit actif.

3. Stratégie d'entraînement

Les modèles sont entraînés à l'aide d'une fonction de perte conjointe qui minimise à la fois la perte de concept (précision de la prédiction des concepts intermédiaires) et la perte de tâche (précision du diagnostic final). Un hyperparamètre $\lambda$ équilibre ces pertes. Les auteurs ont employé une stratégie de "warm-up", figeant la perte de tâche pendant les deux premières époques pour donner la priorité à l'apprentissage de représentations de concepts robustes avant d'optimiser la classification finale.

Contributions clés

Application de l'XAI basée sur les concepts aux troubles de la voix : Il s'agit du premier travail appliquant les architectures CBM et CEM spécifiquement à la détection des pathologies vocales, allant au-delà des approches standards de type "boîte noire" de bout en bout.
Pipeline d'extraction automatisée de concepts : L'article démontre un nouveau flux de travail utilisant des LLM pour extraire des concepts médicaux de haut niveau à partir de textes cliniques non structurés (anamnèse) afin de servir de vérité de terrain (ground truth) pour l'entraînement des modèles basés sur les concepts.
Interprétabilité sans perte de performance : L'étude valide que les modèles basés sur les concepts peuvent atteindre des performances comparables aux Transformers de pointe de bout en bout, tout en offrant des justifications explicites pour leurs prédictions en termes de caractéristiques cliniquement pertinentes (ex: « dysphonie », « rugosité »).

Résultats

Les expériences ont été menées sur le jeu de données Italian Pathological Voice (IPV), comprenant 513 patients (170 euphoniques, 340 dysphoniques), dont 385 cas contenant une anamnèse écrite. L'étude a utilisé une validation croisée à 10 plis.

Annotation des concepts : Le modèle Gemini-pro a atteint une précision de concept de 98,65 % et un score F1 macro de 98,10 % sur un ensemble de validation annoté manuellement, surpassant Mistral 7B.
Détection des troubles de la voix :
- Référence (Baseline) : Un modèle HuBERT standard de bout en bout avec une tête de classification à 2 couches a atteint une précision de tâche de 91,33 % et un score F1 de 0,9085.
- Modèles basés sur les concepts :
  - CBM : A atteint une précision de tâche de 87,76 % et un F1 de 0,8566, avec une précision de concept de 84,43 %.
  - CEM : A atteint une précision de tâche de 87,30 % et un F1 de 0,8599, avec une précision de concept de 84,50 %.
- CBM Idéal : Lorsqu'il est fourni avec les étiquettes de concepts de vérité de terrain (simulant une extraction de concept parfaite), le CBM a atteint 90,52 % de précision, égalant presque la référence de bout en bout.

Les résultats indiquent que la baisse de performance des modèles réels basés sur les concepts est principalement due à la nature imparfaite des annotations de concepts générées par le LLM (environ 84,5 % de précision), plutôt qu'à une limitation fondamentale de l'architecture. Les modèles ont appris avec succès à utiliser des concepts tels que la « dysphonie », l'« essoufflement » et la « rugosité » pour justifier le diagnostic final.

Signification et affirmations

L'article affirme que les modèles basés sur les concepts représentent une étape importante pour rendre l'IA en santé transparente et digne de confiance. En liant explicitement le diagnostic final à des concepts intermédiaires compréhensibles par l'humain (tels que les paramètres de l'échelle GRBAS), ces modèles permettent aux cliniciens de vérifier le raisonnement derrière une prédiction. Les auteurs soutiennent que, bien que l'approche de bout en bout reste légèrement plus précise, l'approche basée sur les concepts offre un niveau de performance « compétitif » avec l'avantage distinct de l'interprétabilité, permettant aux experts humains d'intervenir ou de dériver des prédictions contrefactuelles. Les auteurs restent modestes, reconnaissant que l'écart de performance actuel est largement attribuable à la qualité des annotations de concepts automatisées et que les travaux futurs pourraient améliorer le système en intégrant des voyelles soutenues et des outils de compte-rendu génératifs.