An interpretable prototype parts-based neural network for medical tabular data

Cet article présente un réseau de neurones interprétable conçu pour les données tabulaires médicales, qui utilise des parties prototypiques apprises pour fournir des prédictions transparentes alignées sur le langage clinique tout en maintenant des performances de classification compétitives.

L'essentiel

🏥 Le Dilemme du Médecin et de l'Ordinateur

Imaginez que vous êtes un médecin. Vous avez un patient avec des symptômes complexes. Vous devez prendre une décision vitale.
Aujourd'hui, les ordinateurs (les modèles d'intelligence artificielle) sont très forts pour analyser des milliers de dossiers médicaux et prédire si un patient va aller mieux ou non. Ils sont souvent plus précis que les humains.

Mais il y a un gros problème : Ces ordinateurs sont des "boîtes noires".
C'est comme si un expert vous disait : "Je suis sûr à 99 % que ce patient va mourir, mais je ne peux pas vous dire pourquoi. C'est juste mon intuition mathématique."
En médecine, on ne peut pas se fier à une intuition sans explication. Un médecin a besoin de comprendre le pourquoi pour faire confiance à la machine et rassurer le patient.

💡 La Solution : Le Médecin "Méthode des Échantillons" (MEDIC)

Les auteurs de ce papier (Jacek Karolczak et Jerzy Stefanowski) ont créé un nouveau modèle appelé MEDIC. Au lieu d'être une boîte noire, MEDIC fonctionne comme un médecin qui utilise un carnet de cas précédents.

Voici comment cela fonctionne, avec des analogies simples :

1. La Traduction en "Langage Humain" (La Discretisation)

Les ordinateurs adorent les chiffres précis (ex: 3,742 g/dL d'albumine). Les humains, eux, pensent par catégories (ex: "Trop bas", "Normal", "Trop haut").

• L'analogie : Imaginez que l'ordinateur regarde une règle graduée avec des millimètres. MEDIC, lui, prend un feutre et dessine des zones colorées : "Zone Rouge (Danger)", "Zone Verte (Sain)".
• Ce que fait MEDIC : Il apprend tout seul où placer ces lignes rouges et vertes pour qu'elles correspondent aux règles médicales réelles (comme le fait qu'un taux de cholestérol au-dessus de 200 est dangereux). Il transforme des chiffres froids en catégories que n'importe quel médecin comprend.

2. Le Puzzle des "Pièces" (Les Prototypes)

Les modèles classiques regardent tout le dossier d'un coup. MEDIC, lui, décompose le dossier en petits morceaux de puzzle (qu'ils appellent des "parts" ou "pièces").

• L'analogie : Au lieu de dire "Ce patient a 100 symptômes", MEDIC dit : "Ce patient a un gros problème de foie (pièce A) ET un taux de sucre élevé (pièce B)".
• L'astuce : Le modèle apprend à ne regarder que les pièces importantes. Il ignore le bruit de fond. C'est comme si un détective ne regardait que les empreintes digitales et les traces de pas, et ignorait la couleur des chaussettes du suspect.

3. La Comparaison avec le "Carnet de Cas" (Le Raisonnement par Cas)

C'est le cœur du système. MEDIC a appris, en lisant des milliers de vieux dossiers, ce qu'est un "cas typique" pour chaque maladie.

• L'analogie : Imaginez que MEDIC a un mur rempli de photos de patients "types" (des prototypes).
  • Photo A : Un patient avec un foie abîmé et peu de plaquettes.
  • Photo B : Un patient avec un diabète sévère.
• Le processus : Quand un nouveau patient arrive, MEDIC ne fait pas un calcul mystérieux. Il dit : "Attends, ce patient ressemble beaucoup à la Photo A (le prototype), surtout sur les points X, Y et Z. Donc, il a probablement la même maladie que la Photo A."

🌟 Pourquoi c'est révolutionnaire ?

1. Transparence totale : Si le médecin demande "Pourquoi as-tu dit que c'est grave ?", MEDIC répond : "Parce que votre patient ressemble à ce cas grave où le taux de bilirubine était entre 0,79 et 3,43, et qu'il n'avait pas de grosseur sur le foie. C'est exactement ce que nous avons vu dans 50 cas similaires."
2. Confiance : Le médecin peut vérifier : "Ah oui, c'est logique, ces symptômes correspondent bien à la maladie."
3. Performance : Le papier montre que MEDIC est aussi performant (voire meilleur) que les modèles complexes habituels, tout en étant beaucoup plus facile à comprendre.

🎨 En Résumé : L'Analogie du Chef Cuisinier

• Les modèles classiques (Boîte noire) : C'est un robot chef qui vous donne un plat délicieux, mais quand vous demandez "Qu'est-ce qu'il y a dedans ?", il répond "Je ne sais pas, c'est ma recette secrète". Vous avez peur de manger.
• MEDIC : C'est un chef qui vous dit : "Ce plat est excellent parce qu'il ressemble à ma recette 'Spécial Foie' (le prototype). J'ai utilisé exactement les mêmes ingrédients (les pièces du puzzle) : un peu de citron (taux de sucre), beaucoup de sel (taux de bilirubine). Voici la recette exacte, vous pouvez la vérifier."

Conclusion

Ce papier propose une nouvelle façon de faire de l'intelligence artificielle en médecine : ne pas chercher à être le plus intelligent, mais le plus compréhensible. En imitant la façon dont les médecins raisonnent (en comparant des cas et en utilisant des catégories claires), MEDIC comble le fossé entre la puissance des ordinateurs et la confiance des humains.

C'est un pas de géant vers une IA qui ne remplace pas le médecin, mais qui devient un collègue transparent avec qui on peut discuter.

Résumé technique

1. Problématique

L'adoption de l'intelligence artificielle (IA) et de l'apprentissage profond (Deep Learning) dans le domaine de la santé est entravée par le manque de transparence des modèles « boîtes noires ». Bien que les réseaux de neurones soient performants pour les données non structurées (images, texte), leur application aux données tabulaires médicales (dossiers patients, résultats de laboratoire) reste limitée en raison de la difficulté à interpréter leurs décisions.

Les méthodes d'IA explicable (XAI) actuelles, comme SHAP ou LIME, fournissent souvent des explications abstraites et difficiles à comprendre pour les médecins. De plus, les modèles classiques (arbres de décision, forêts aléatoires) manquent parfois de précision ou de capacité à capturer des interactions complexes. Il existe donc un besoin crucial de développer des modèles intrinsèquement interprétables qui :

• Fonctionnent sur des données tabulaires.
• Alignent leur logique de décision avec le raisonnement clinique (basé sur des cas et des seuils diagnostiques).
• Offrent une performance prédictive compétitive par rapport aux modèles de pointe.

2. Méthodologie : Le modèle MEDIC

Les auteurs proposent MEDIC (Model for Explainable Diagnosis using Interpretable Concepts), un réseau de neurones inspiré par les réseaux à parties prototypes (comme ProtoPNet pour les images), mais adapté spécifiquement aux données tabulaires.

L'architecture repose sur un pipeline de traitement en quatre étapes clés :

A. Discrétisation Interprétable des Entrées

Les variables continues (âge, taux de glucose, etc.) doivent être converties en catégories symboliques (ex: « faible », « normal », « élevé ») pour être interprétables.

• Binning Flou (Fuzzy Binning) : Pendant l'entraînement, le modèle utilise une couche de binning flou basée sur des noyaux gaussiens. Cela permet une approximation différentiable, assurant la propagation des gradients pour l'optimisation.
• Binning Dur (Hard Binning) : Après l'entraînement, le modèle bascule vers un mode déterministe (one-hot encoding) où chaque valeur est assignée à un intervalle unique défini par des centres appris ($\mu_k$). Cela permet une interprétation symbolique claire (ex: $3.70 \le \text{Albumine} < 3.82$).

B. Extraction de « Parties » (Parts) via Masques de Patching

Au lieu de traiter l'ensemble des caractéristiques, le modèle apprend à identifier des sous-ensembles de caractéristiques pertinents.

• Un ensemble de masques de patching (matrice $M$) sélectionne et combine de manière parcimonieuse (sparse) les caractéristiques discrétisées.
• Chaque « partie » représente une combinaison cliniquement cohérente de signes (ex: « Glucose élevé » ET « IMC élevé »).
• Une contrainte de sparsité L1 est appliquée pour forcer le modèle à n'utiliser que le nombre minimal de caractéristiques nécessaire pour chaque partie.

C. Apprentissage de Prototypes et Comparaison

Le cœur du modèle repose sur des prototypes qui sont des vecteurs d'embedding représentant des cas cliniques typiques.

• Le réseau apprend $n$ prototypes dans un espace latent.
• Pour un patient donné, le modèle calcule la distance ($L_2$) entre chaque « partie » extraite du patient et chaque prototype appris.
• Une opération de max-pooling sélectionne la partie la plus similaire pour chaque prototype, générant un vecteur de distances.
• Ancrage aux données réelles : À la fin de l'entraînement, les prototypes synthétiques sont remplacés par les embeddings réels des parties de patients issus des données d'entraînement, garantissant que chaque prototype correspond à un cas réel observable.

D. Classification

La prédiction finale est basée sur la similarité globale du patient avec les prototypes de chaque classe. La décision est donc directement traçable : « Ce patient est classé comme ayant la maladie X parce que ses caractéristiques ressemblent fortement au prototype Y (cas réel) ».

E. Procédure d'Entraînement en Trois Étapes

1. Initialisation : Entraînement end-to-end avec binning flou et prototypes appris aléatoirement.
2. Discrétisation : Passage au mode « dur » (binning fixe) et binarisation des masques pour figer la structure des parties.
3. Remplacement des Prototypes : Substitution des prototypes appris par des instances réelles de données pour une interprétabilité maximale, suivi d'un ajustement fin de la tête de classification.

3. Contributions Clés

• Adaptation des prototypes aux données tabulaires : Contrairement aux modèles visuels qui exploitent la structure spatiale, MEDIC apprend des « parties » basées sur des conjonctions de caractéristiques tabulaires.
• Discrétisation apprenable : Le modèle apprend automatiquement les seuils de discrétisation (ex: seuils de laboratoire) qui s'alignent avec les normes cliniques, sans intervention manuelle.
• Interprétabilité intrinsèque : Le modèle ne nécessite pas de méthodes post-hoc (comme LIME/SHAP) ; son mécanisme de décision est transparent par conception.
• Raisonnement basé sur les cas (Case-Based Reasoning) : Les prédictions sont justifiées par la comparaison avec des cas réels et interprétables, facilitant l'acceptation par les médecins.

4. Résultats Expérimentaux

Les auteurs ont évalué MEDIC sur trois jeux de données médicaux publics : Cirrhose, Maladie Rénale Chronique (CKD) et Diabète.

• Performance Prédictive : MEDIC a obtenu des performances compétitives, voire supérieures, par rapport aux modèles de référence (Random Forest, XGBoost, MLP, Arbres de décision).
  • Sur les jeux de données Cirrhose et CKD, MEDIC a obtenu le meilleur score de moyenne géométrique (g-mean), une métrique cruciale pour les données déséquilibrées.
  • Sur le diabète, il a été très proche du meilleur modèle (XGBoost).
• Qualité de l'Interprétabilité :
  • Seuils Cliniques : Les intervalles appris par le modèle (ex: pour l'albumine ou le temps de prothrombine) correspondent étroitement aux seuils cliniques standards (ex: seuil d'albumine à 3.7 g/dL vs 3.5 g/dL clinique).
  • Parties Significatives : Les prototypes découverts (Tableau 5) représentent des combinaisons logiques de symptômes (ex: « Bilirubine élevée » ET « Absence d'hépatomégalie ») qui ont du sens médical.
  • Auto-régulation : Le modèle a tendance à réutiliser les mêmes parties pertinentes plutôt que d'en créer de nouvelles inutiles, évitant ainsi le surapprentissage.

5. Signification et Impact

Ce travail comble un fossé important entre la performance prédictive et l'interprétabilité dans le domaine médical.

• Confiance Clinique : En fournissant des explications sous forme de cas réels et de règles logiques lisibles, MEDIC permet aux médecins de valider, critiquer et intégrer les prédictions du modèle dans leur processus de décision.
• Adoption de l'IA : En démontrant qu'un modèle de type « boîte noire » peut être remplacé par un modèle intrinsèquement transparent sans sacrifier la précision, ce travail favorise l'adoption de l'IA dans les systèmes de support décisionnel clinique.
• Futur : Les auteurs suggèrent d'intégrer davantage de connaissances expertes dans l'apprentissage des prototypes et d'étudier l'adaptation dynamique des prototypes face à l'évolution des maladies.

En résumé, MEDIC représente une avancée majeure vers une IA médicale « explicable par conception », capable de raisonner de manière similaire à un clinicien en s'appuyant sur des cas prototypes et des règles de seuil apprises directement à partir des données.