Global Interpretability via Automated Preprocessing: A Framework Inspired by Psychiatric Questionnaires

Le papier présente REFINE, un cadre d'apprentissage automatique en deux étapes qui sépare le prétraitement non linéaire des données de questionnaires de la modélisation linéaire prédictive afin d'améliorer la précision tout en garantissant une interprétabilité globale transparente des facteurs pronostiques.

L'essentiel

Imaginez que vous essayez de prédire comment va évoluer la santé mentale d'un patient dans les mois à venir. Habituellement, les médecins utilisent des questionnaires (comme une liste de questions sur l'humeur, le sommeil, l'anxiété, etc.) pour évaluer l'état du patient aujourd'hui.

Le problème, c'est que ces questionnaires sont souvent bruyants. Un patient peut répondre "très triste" aujourd'hui parce qu'il a eu une mauvaise nuit, et "moins triste" demain, sans que sa maladie réelle ait changé. De plus, les modèles d'intelligence artificielle capables de prédire ces changements complexes sont souvent des "boîtes noires" : ils sont très précis, mais personne ne comprend pourquoi ils prennent telle ou telle décision. Les médecins n'aiment pas ça, car ils ont besoin de confiance.

Voici comment l'auteur, Eric Strobl, propose de résoudre ce problème avec une méthode appelée REFINE.

L'Analogie du "Filtre à Café" et de la "Recette Simple"

Pour comprendre REFINE, imaginez que vous voulez faire un excellent café (la prédiction future) à partir de grains bruts (les réponses au questionnaire d'aujourd'hui).

1. Le problème actuel :

   • Soit vous utilisez un moulin très complexe qui écrase les grains d'une manière bizarre pour obtenir un café parfait, mais vous ne savez pas comment il fonctionne (c'est le modèle "boîte noire").
   • Soit vous utilisez un moulin simple (un modèle linéaire), mais comme les grains sont sales et irréguliers, le café est mauvais.

2. La solution REFINE (Le filtre à café) :
   L'idée géniale de REFINE est de séparer le processus en deux étapes distinctes, comme on sépare le nettoyage des grains de la préparation du café.

   • Étape 1 : Le "Filtre Intelligent" (Prétraitement non-linéaire)
     Imaginez un filtre à café magique qui ne se contente pas de filtrer, mais qui "nettoie" intelligemment les grains. Il utilise l'histoire du patient (ses réponses passées et futures, pendant l'entraînement) pour deviner quelle partie de la réponse d'aujourd'hui est un "bruit" (une mauvaise nuit) et quelle partie est le "signal" réel (la vraie maladie).

     • L'analogie : C'est comme si vous regardiez un film avec beaucoup de neige sur l'écran. Ce filtre enlève la neige pour ne garder que l'image claire, mais il le fait de manière très complexe et intelligente.
     • Le point clé : Ce filtre ne change pas ce que les questions signifient. Si la question 1 était "Avez-vous pleuré ?", le résultat nettoyé est toujours "Avez-vous pleuré ?", juste une version plus fiable.

   • Étape 2 : La "Recette Simple" (Prédiction linéaire)
     Une fois que les grains sont nettoyés par le filtre, on les passe dans un moulin très simple et transparent.

     • L'analogie : C'est une recette de cuisine simple : "Si vous avez 2 tasses de café nettoyé, ajoutez 1 cuillère de sucre". C'est facile à comprendre.
     • Le médecin peut voir exactement : "Ah, le symptôme 'tristesse' nettoyé a un poids de 0,5 sur la prédiction future". C'est globalement interprétable.

Pourquoi est-ce si spécial ?

D'habitude, les scientifiques disent : "Pour être précis, il faut un modèle complexe. Pour être compréhensible, il faut un modèle simple." On est obligé de choisir.

REFINE dit : "Et si on mettait toute la complexité dans le nettoyage, et qu'on gardait la prédiction simple ?"

• La métaphore du traducteur :
  Imaginez que vous voulez comprendre un livre écrit dans une langue difficile (les données brutes).
  • Les autres méthodes essaient de lire le livre directement avec un dictionnaire complexe (modèle non-linéaire), mais le sens reste flou.
  • REFINE utilise d'abord un traducteur expert (le prétraitement) qui réécrit le livre dans une langue simple et claire. Ensuite, n'importe qui peut lire ce livre réécrit avec une règle simple (le modèle linéaire).

Les Résultats dans la vie réelle

L'auteur a testé cette méthode sur des données réelles de patients souffrant de dépression ou de risques de psychose.

• Précision : REFINE prédit aussi bien (voire mieux) que les modèles complexes.
• Confiance : Les médecins peuvent voir exactement quels symptômes influencent l'avenir, car le modèle final est une simple équation mathématique.
• Vitesse : C'est étonnamment rapide à calculer.

En résumé

REFINE, c'est comme si on disait aux médecins : "Ne vous inquiétez pas de la complexité du cerveau humain. Laissez notre algorithme faire le travail sale de nettoyer les données pour en extraire la vérité, et nous vous donnerons ensuite une feuille de route simple et claire pour prédire l'avenir."

C'est une façon de rendre l'intelligence artificielle honnête et utile pour la médecine, en gardant la transparence là où elle compte le plus : dans la relation entre le patient et son médecin.

Résumé technique

1. Problématique et Contexte

Le défi de l'interprétabilité clinique :
Les questionnaires psychiatriques (comme l'échelle HAM-D pour la dépression ou PANSS pour la psychose) mesurent des dimensions de symptômes multiples plutôt qu'un construit unique. L'objectif clinique est souvent de prédire l'évolution future de l'ensemble du vecteur de symptômes, et non d'un score agrégé. Cependant, les réponses aux items sont bruyantes et les trajectoires temporelles sont complexes et non linéaires.

La tension entre performance et interprétabilité :

• Les modèles non linéaires flexibles (forêts aléatoires, réseaux de neurones) améliorent la précision prédictive mais manquent d'interprétabilité globale, ce qui érode la confiance clinique.
• Les méthodes d'attribution locale (comme SHAP) ou les modèles à coefficients variables fournissent des explications spécifiques à chaque patient, ce qui rend difficile l'extraction d'une image globale cohérente des facteurs pronostiques.
• Contrairement à d'autres domaines (imagerie, génomique) où le prétraitement (filtrage, lissage) est standard pour éliminer les artefacts avant d'appliquer un modèle linéaire interprétable, les données de questionnaires manquent de cues naturels pour un tel prétraitement.

Question centrale : Peut-on prétraiter les items de questionnaires de manière à ce que des modèles linéaires simples, globalement interprétables, atteignent une performance prédictive comparable à celle des modèles non linéaires ?

2. Méthodologie : Le cadre REFINE

L'article propose REFINE (Redundancy-Exploiting Follow-up-Informed Nonlinear Enhancement), une approche en deux étapes qui découple le prétraitement de la prédiction.

A. Principes Fondamentaux

REFINE repose sur deux critères minimaux pour un opérateur de prétraitement cliniquement interprétable :

1. Redondance longitudinale : Le prétraitement doit supprimer les fluctuations spécifiques à une visite (bruit, artefacts) tout en préservant le signal stable et reproductible dans le temps.
2. Préservation du sens item par item : La sortie du prétraitement doit rester alignée avec les définitions originales des items du questionnaire. Chaque coordonnée de la représentation prétraitée doit correspondre à un item spécifique, permettant une interprétation directe des coefficients.

B. Architecture de l'Algorithme

Le modèle décompose l'espérance conditionnelle $E(X_t | X_0, Z)$ (où $X_0$ sont les items de base, $Z$ les covariables, et $X_t$ les items futurs) en deux parties :

1. Module de Prétraitement Non Linéaire ($h_t$) :

   • Ce module apprend une transformation non linéaire des données de base $(X_0, Z)$ pour produire une représentation stabilisée $\hat{X}^{(t)}_0$.
   • Apprentissage : Pendant l'entraînement, REFINE utilise les mesures de suivi $X_t$ comme supervision "privilégiée". Il estime d'abord une matrice de reconstruction $B_t$ via régression des moindres carrés ($X_0 \approx X_t B_t$).
   • La cible d'apprentissage pour le prétraitement est le proxy $\hat{X}^{(t)}_0 = X_t B_t$.
   • Un apprenant non linéaire flexible (ex: Random Forest) est entraîné pour prédire ce proxy à partir de $X_0$ et $Z$. Cela force le modèle à extraire le composant temporellement reproductible.

2. Décodage Linéaire Global ($\beta_t$) :

   • Une fois la représentation stabilisée obtenue, la prédiction est effectuée par une transformation linéaire exacte : $\hat{X}_t = h_t(X_0, Z) \beta_t$.
   • Le coefficient $\beta_t$ est estimé par inversion de la matrice $B_t$ ($\beta_t = B_t^{-1}$).
   • Résultat : La relation pronostique est strictement linéaire et globalement interprétable via la matrice de coefficients $\beta_t$, tandis que la complexité non linéaire est confinée à l'étape de prétraitement.

C. Avantages Théoriques

• Optimalité Bayésienne : Sous certaines conditions d'inversibilité, REFINE atteint le prédicteur optimal de Bayes.
• Unicité : En imposant l'alignement des items (décodage qui annule exactement la redondance), la factorisation devient unique.
• Robustesse aux données manquantes : La méthode reste cohérente sous l'hypothèse de données manquantes au hasard (MAR) sans nécessiter d'imputation explicite.

3. Contributions Clés

1. Formalisation des critères : Définition rigoureuse des exigences pour un prétraitement interprétable (redondance longitudinale et alignement des items).
2. Développement de REFINE : Un algorithme qui apprend un préprocesseur non linéaire supervisé par les données de suivi, tout en maintenant une tête de prédiction linéaire.
3. Preuve théorique : Démonstration que cette approche est Bayes-optimale et que le taux de convergence global est déterminé par l'apprenant non linéaire, sans pénalité statistique supplémentaire pour la linéarité du décodeur.
4. Généralisation : Démonstration que ce cadre "prétraitement non linéaire suivi de prédiction linéaire" s'applique au-delà de la psychiatrie (ex: santé adolescente).

4. Résultats Empiriques

Les auteurs ont comparé REFINE à plusieurs méthodes de référence (AICNN, GPBoost, MGCV, XGBoost) sur trois jeux de données :

• NAPLS-3 (Psychose prodromique) : Prédiction de l'évolution des symptômes SOPS sur 24 mois.
• STAR*D (Dépression majeure) : Prédiction de l'évolution des symptômes QIDS-SR sous traitement par citalopram.
• Santé adolescente longitudinale : Prédiction de mesures anthropométriques et de développement pubertaire.

Performances :

• Précision prédictive (Corrélation avant) : REFINE a obtenu les meilleures corrélations entre les scores prédits et observés sur la plupart des points temporels, surpassant ou égalant les modèles complexes.
• Préservation du signal (Corrélation arrière) : REFINE a démontré une capacité supérieure à reconstruire les représentations de base à partir des données de suivi, prouvant qu'il préserve mieux la structure longitudinale partagée.
• Interprétabilité (Similarité cosinus) : REFINE a affiché une similarité cosinus plus élevée entre la matrice de contribution et sa diagonale. Cela signifie que l'item $j$ de base influence principalement l'item $j$ futur, préservant ainsi le sens spécifique de chaque item, contrairement aux autres méthodes qui mélangent les contributions de manière diffuse.
• Efficacité computationnelle : REFINE est la méthode la plus rapide (moins de 5 secondes sur NAPLS-3, ~30s sur STAR*D), surpassant les modèles basés sur SHAP ou les réseaux de neurones.

Analyse d'ablation :
Les résultats montrent que la suppression de l'étape d'inversion (remplacement par une régression linéaire) ou du prétraitement non linéaire (remplacement par OLS) dégrade significativement les performances, confirmant que les deux composantes sont essentielles.

5. Signification et Conclusion

Impact Clinique :
REFINE offre une nouvelle stratégie pour la prédiction interprétable en santé mentale. En séparant la complexité du prétraitement de la simplicité de la prédiction, il permet aux cliniciens de comprendre comment chaque dimension de symptôme évolue grâce à une matrice de coefficients transparente, sans sacrifier la précision des modèles non linéaires.

Changement de paradigme :
L'article suggère un principe de conception généralisable : au lieu d'imposer des contraintes fonctionnelles (comme la linéarité) sur tout le modèle, il est préférable d'apprendre explicitement une étape de stabilisation des données (prétraitement) qui exploite la redondance temporelle, puis d'appliquer un décodeur linéaire. Cela permet d'atteindre à la fois l'optimalité prédictive et l'interprétabilité globale, résolvant le compromis traditionnel entre les deux.

Limites et Perspectives :
Les auteurs notent que l'inversion de matrice séparée pour chaque point temporel peut augmenter la variance avec des échantillons déséquilibrés. Les travaux futurs pourraient explorer le partage de force entre les points temporels et l'utilisation d'apprenants non linéaires plus avancés pour des jeux de données plus vastes.

En résumé, REFINE transforme le problème de l'interprétabilité des modèles non linéaires en un problème de prétraitement automatisé, offrant une solution robuste et cliniquement viable pour la prédiction longitudinale en psychiatrie et au-delà.