Gradient based Severity Labeling for Biomarker Classification in OCT

Cet article propose une nouvelle stratégie d'apprentissage contrastif pour les images médicales qui génère des étiquettes de sévérité de maladie à partir de réponses de gradient d'un algorithme de détection d'anomalies sur des scans OCT non étiquetés, permettant d'améliorer la classification des biomarqueurs de la rétinopathie diabétique de 6 % par rapport aux méthodes auto-supervisées.

L'essentiel

🏥 Le Problème : Trouver l'aiguille dans la botte de foin

Imaginez que vous êtes un médecin spécialiste des yeux (un ophtalmologiste). Votre travail consiste à regarder des images très détaillées de la rétine (des scans appelés OCT) pour repérer de petits signes de maladie, comme du liquide ou des taches, qui indiquent un diabète ou d'autres problèmes.

Le problème, c'est que pour apprendre à une intelligence artificielle (IA) à repérer ces signes, il faut lui montrer des milliers d'exemples. Mais obtenir ces exemples est très difficile et cher : il faut qu'un expert humain prenne le temps de les étiqueter un par un. C'est comme essayer d'apprendre à un enfant à reconnaître des oiseaux en lui montrant seulement 5 photos, alors qu'il en faudrait 5 000 pour qu'il comprenne vraiment.

💡 L'Idée Géniale : Utiliser la "gravité" de la maladie

Les chercheurs de cet article ont eu une idée brillante : au lieu de demander à l'IA de deviner au hasard, pourquoi ne pas lui dire : "Regarde, cette image ressemble à celle-là, elles ont le même niveau de gravité" ?

Mais comment savoir le niveau de gravité d'une image sans expert humain ? C'est là que leur méthode devient fascinante.

1. L'Analogie du "Miroir Parfait"

Imaginez que vous entraînez un robot à dessiner des yeux parfaits et sains. Il regarde des milliers d'images d'yeux sains et apprend à les reproduire parfaitement.

Ensuite, vous lui montrez une image d'un œil malade.

• Si l'image est saine, le robot la dessine facilement, sans effort.
• Si l'image est malade, le robot se trompe, il doit "forcer" son cerveau pour essayer de comprendre ce qui ne va pas.

Les chercheurs ont inventé un moyen de mesurer à quel point le robot doit "suer" (faire un effort) pour comprendre l'image.

• Peu d'effort = L'image est saine (Gravité faible).
• Beaucoup d'effort = L'image est très malade (Gravité forte).

Cet "effort" est mathématiquement appelé un gradient. Plus le gradient est fort, plus l'image est "anormale" par rapport à la santé parfaite.

2. Le Tri par "Niveaux de Gravité"

Une fois que le robot a calculé ce "score d'effort" pour des milliers d'images non étiquetées, les chercheurs les rangent dans des boîtes (des "bins").

• Boîte 1 : Images très saines (le robot n'a presque pas bougé).
• Boîte 5000 : Images très malades (le robot a eu beaucoup de mal).

Maintenant, au lieu d'avoir des images sans étiquette, ils ont des images classées par niveau de gravité.

🚀 L'Entraînement : Apprendre par groupes

C'est ici que la magie opère. Au lieu d'apprendre à l'IA à dire "Oui/Non" (malade/sain) tout de suite, ils lui disent :

"Mets ensemble toutes les images de la Boîte 3000. Ce sont des images qui se ressemblent par leur niveau de gravité. Éloigne-les des images de la Boîte 100."

C'est comme si vous appreniez à un enfant à trier des fruits non pas par couleur, mais par maturité :

• "Mets toutes les bananes vertes ensemble."
• "Mets toutes les bananes jaunes ensemble."
• "Mets toutes les bananes brunes ensemble."

Une fois que l'IA a bien compris ces groupes de maturité (de gravité), on lui donne enfin quelques images étiquetées par des humains pour lui apprendre à dire : "Ah, cette banane jaune, c'est une maladie spécifique !".

🏆 Le Résultat : Pourquoi c'est mieux ?

Les méthodes classiques d'IA utilisent souvent des trucs bizarres pour apprendre (comme flouter une image ou la tourner) pour créer des paires d'images similaires. Mais en médecine, flouter une image peut effacer le petit signe de maladie qu'on cherche ! C'est comme essayer de reconnaître une tache de rousseur en mettant des lunettes de soleil.

La méthode de ces chercheurs est plus intelligente :

1. Elle ne déforme pas l'image.
2. Elle utilise la "mécanique" de l'IA elle-même (son effort pour comprendre) pour créer des groupes logiques.
3. Résultat : Leur IA est devenue 6 % plus précise que les meilleures méthodes actuelles pour détecter ces maladies, en utilisant beaucoup moins d'étiquettes humaines.

En résumé

Imaginez que vous voulez apprendre à quelqu'un à reconnaître différents niveaux de douleur dans un visage, mais vous n'avez pas de médecin pour vous aider.
Au lieu de demander "Est-ce que ça fait mal ?", vous observez combien le visage de la personne grimace quand vous lui posez une question difficile.

• Ceux qui grimacent peu sont dans le groupe "peu de douleur".
• Ceux qui grimacent beaucoup sont dans le groupe "beaucoup de douleur".

En regroupant les gens par intensité de grimace, vous apprenez à votre assistant à mieux comprendre la douleur, même sans avoir besoin d'un médecin pour tout expliquer. C'est exactement ce que cette équipe a fait pour les yeux ! 👁️✨

Résumé technique

Titre : Étiquetage de sévérité basé sur les gradients pour la classification des biomarqueurs en OCT

1. Problématique

La rétinopathie diabétique (DR) est une cause majeure de cécité, et sa gestion repose sur la détection précise de biomarqueurs spécifiques (comme les fluides intrarétiniens ou les foyers hyper-réfléchis) via des scans de Tomographie par Cohérence Optique (OCT).

• Défi principal : Les méthodes d'apprentissage profond conventionnelles nécessitent de vastes ensembles de données étiquetés par des experts, ce qui est coûteux et difficile à obtenir dans le domaine médical.
• Limitation de l'apprentissage auto-supervisé existant : Les approches d'apprentissage contrastif traditionnelles (comme SimCLR) génèrent des paires positives en appliquant des augmentations aléatoires (flou gaussien, rotation, etc.) à une même image. Dans le contexte médical, ces augmentations peuvent déformer ou masquer des régions localisées critiques contenant les biomarqueurs, rendant l'apprentissage moins efficace.
• Objectif : Trouver une stratégie de sélection de paires positives plus intuitive et médicalement pertinente pour l'apprentissage contrastif, en utilisant des données non étiquetées abondantes.

2. Méthodologie

Les auteurs proposent un cadre novateur qui remplace les augmentations aléatoires par un étiquetage de sévérité pseudo-supervisé basé sur la réponse en gradient d'un modèle de détection d'anomalies.

A. Génération des scores de sévérité (Severity Score)

1. Apprentissage de la distribution saine : Un auto-encodeur est entraîné uniquement sur des images OCT saines (dataset Kermany) en utilisant la méthode GradCON. Cette méthode impose une contrainte de gradient pour aligner les gradients des images saines, rendant les gradients des images anormales plus distinctifs.
2. Calcul du score : Pour chaque image non étiquetée, un score de sévérité ($SS$) est calculé selon l'équation suivante :
   $$SS = -L_{recon} + \alpha L_{grad}$$
   Où :
   • $L_{recon}$ est l'erreur quadratique moyenne entre l'entrée et la reconstruction (plus l'erreur est faible, plus l'image ressemble au sain).
   • $L_{grad}$ est la similarité cosinus moyenne entre les gradients de l'image cible et les gradients de référence appris sur les données saines.
   • $\alpha$ est un hyperparamètre de pondération.
   • Un score élevé indique une image plus anormale (éloignée de la variété "saine").

B. Création des étiquettes de sévérité (Severity Labels)

• Les scores de sévérité de toutes les images non étiquetées sont triés et divisés en $N$ "bins" (intervalles).
• Toutes les images appartenant au même bin reçoivent la même étiquette de sévérité (SL). Cela transforme les données non étiquetées en un ensemble faiblement étiqueté où les images d'un même bin partagent un niveau de sévérité pathologique similaire.

C. Apprentissage Contrastif Supervisé

• Phase 1 : Un encodeur (ResNet-18) est entraîné avec une perte contrastive supervisée utilisant les étiquettes de sévérité générées. L'objectif est de rapprocher les embeddings des images ayant la même étiquette de sévérité et d'éloigner ceux ayant des étiquettes différentes.
• Phase 2 (Fine-tuning) : Les poids de l'encodeur sont figés. Une couche linéaire est ajoutée et entraînée sur le petit ensemble de données étiquetées (biomarqueurs spécifiques) pour la tâche de classification finale (présence/absence du biomarqueur).

3. Contributions Clés

1. Stratégie de sélection de paires basée sur la sévérité : Introduction d'une méthode pour sélectionner des paires positives basées sur le niveau de sévérité de la maladie plutôt que sur des augmentations géométriques ou photométriques aléatoires.
2. Utilisation des gradients pour l'étiquetage : Proposition d'utiliser les réponses de gradient d'un modèle de détection d'anomalies (GradCON) pour générer des pseudo-étiquettes de sévérité interprétables sémantiquement.
3. Amélioration des performances : Démonstration que cet encodage pré-entraîné sur des données non étiquetées via un contraste supervisé améliore significativement la classification des biomarqueurs par rapport aux bases auto-supervisées classiques.

4. Résultats Expérimentaux

L'approche a été évaluée sur le dataset Prime + TREX DME pour la classification de 5 biomarqueurs (IRF, DME, IRHRF, FAVF, PAVF).

• Comparaison avec l'état de l'art : La méthode proposée (SL) surpasse les méthodes auto-supervisées de référence (SimCLR, PCL, MoCo v2).
  • Meilleur résultat global (Multi-label AUC) : La méthode SL10000 (10 000 bins) atteint un AUC moyen de 0.774, contre 0.769 pour MoCo v2 et 0.767 pour PCL.
  • Améliorations spécifiques :
    • Pour le biomarqueur DME (Œdème Maculaire Diabétique), la méthode SL15000 atteint un F1-score de 0.831 (vs 0.793 pour MoCo v2).
    • Pour IRF (Fluide Intrarétinien), SL10000 obtient un F1-score de 0.732.
• Analyse des hyperparamètres : Le nombre de bins ($N$) influence les résultats. Un nombre modéré (5000-10000) fonctionne bien pour la classification globale, tandis que des nombres plus élevés (15000-20000) sont parfois optimaux pour des biomarqueurs spécifiques, suggérant que la granularité de la sévérité doit s'adapter à la distinctivité du biomarqueur.
• Ablation sur la détection d'anomalies : La méthode basée sur les gradients (SL) surpasse d'autres méthodes de détection d'anomalies (MSP, ODIN, Mahalanobis) pour générer les étiquettes de sévérité.

5. Signification et Conclusion

Ce travail démontre que dans le domaine médical, la notion de "similarité" pour l'apprentissage contrastif ne doit pas être basée sur la transformation d'image, mais sur la similarité pathologique.

• En définissant la sévérité comme le degré d'anomalie par rapport à une distribution saine apprise via les gradients, les auteurs créent des clusters sémantiquement cohérents.
• Cette approche permet de tirer parti de vastes quantités de données non étiquetées (images saines et OCT non annotés) pour améliorer la représentation des caractéristiques, conduisant à une meilleure détection des biomarqueurs avec moins de données étiquetées.
• Cela ouvre la voie à des modèles plus robustes pour le diagnostic assisté par ordinateur en ophtalmologie, réduisant la dépendance aux annotations expertes coûteuses.