Adaptation of Weakly Supervised Localization in Histopathology by Debiasing Predictions

1. Problématique et Contexte

Contexte :
Les systèmes de diagnostic assisté par ordinateur en pathologie numérique reposent souvent sur des modèles d'apprentissage profond. Cependant, l'annotation pixel par pixel des régions tumorales est coûteuse et nécessite des experts. La Localisation d'Objets Faiblement Supervisée (WSOL) permet de contourner ce problème en entraînant des modèles avec uniquement des étiquettes au niveau de l'image (classification), tout en générant des cartes d'activation pour localiser les régions d'intérêt.

Le Défi : Le Décalage de Domaine (Domain Shift)
Lorsqu'un modèle WSOL entraîné sur une source (ex: un organe spécifique ou un centre hospitalier) est déployé sur une cible différente (nouveau centre, nouveau protocole de coloration, nouvel organe), les performances se dégradent considérablement.

• Biais de prédiction : Sous des décalages de domaine sévères (notamment inter-organes), les modèles WSOL tendent à développer un biais fort vers les classes dominantes (souvent le cancer ou le tissu sain, selon le déséquilibre).
• Effet de renforcement : Les méthodes d'adaptation de domaine sans source (SFDA - Source-Free Domain Adaptation) existantes, qui reposent sur l'apprentissage auto-supervisé (pseudo-étiquetage), aggravent ce problème. En utilisant les prédictions biaisées initiales pour générer de nouvelles étiquettes, elles renforcent le biais au fil des itérations, conduisant à un effondrement des performances de classification et de localisation.

2. Méthodologie : SFDA-DeP

L'article propose SFDA-DeP, une méthode d'adaptation de domaine sans source inspirée du désapprentissage de machine (Machine Unlearning). L'objectif n'est pas d'effacer des classes, mais de corriger les prédictions biaisées sur le domaine cible en rééquilibrant les frontières de décision.

A. Correction du Biais de Prédiction (Débiaisage)

La méthode identifie les échantillons sur-estimés par les classes dominantes et ajuste leur contribution à l'entraînement :

1. Identification des échantillons : Le modèle analyse la distribution des prédictions sur le jeu de données cible non étiqueté. Il identifie les classes dominantes (sur-prédites).
2. Sélection par incertitude : Parmi les échantillons appartenant aux classes dominantes, l'algorithme sélectionne ceux qui sont les plus incertains (mesurés par l'entropie normalisée des prédictions). Ces échantillons se situent près des frontières de décision.
3. Stratégie d'apprentissage dual :
   • Ensemble de rétention ($B_r$) : Les échantillons certains (confiants) sont conservés et utilisés pour un apprentissage standard (minimisation de l'entropie/cross-entropy) afin de stabiliser les classes bien représentées.
   • Ensemble d'oubli ($B_f$) : Les échantillons incertains des classes dominantes sont soumis à une perte d'"oubli". Au lieu de minimiser l'erreur, le modèle est forcé de maximiser l'entropie (ou minimiser la confiance) pour la classe prédite initialement. Cela pousse le modèle à "oublier" la classe dominante pour ces échantillons spécifiques et à explorer d'autres classes, rééquilibrant ainsi la distribution.
4. Itération dynamique : Ces ensembles ($B_f$ et $B_r$) sont reconstruits périodiquement (toutes les $m$ époques) pour éviter le surapprentissage à des pseudo-étiquettes erronées et s'adapter aux frontières de décision évolutives.

B. Supervision de la Localisation (Pixel-Level)

Pour contrer la dégradation de la localisation spatiale due au décalage de domaine :

• Un classifieur au niveau des pixels (tête légère) est optimisé conjointement.
• Il utilise des Cartes d'Activation de Classe (CAM) générées par le modèle source pour créer des pseudo-masques binaires (fond/avant-plan).
• Une perte de classification binaire est appliquée sur les pixels pour maintenir la capacité du modèle à distinguer le tissu tumoral du fond, même sous un fort décalage de domaine.

Fonction de perte totale :
La perte globale combine trois termes :
$$L = \lambda_{retain}L_{retain} + \lambda_{forget}L_{forget} + \lambda_{loc}L_{loc}$$
Où $L_{retain}$ maintient les prédictions fiables, $L_{forget}$ pénalise les prédictions biaisées incertaines, et $L_{loc}$ assure la cohérence spatiale.

3. Contributions Clés

1. Identification du problème de biais : Mise en évidence du fait que les méthodes SFDA classiques amplifient les biais de classes dominantes en histopathologie, rendant l'adaptation impossible dans des scénarios inter-organes.
2. SFDA-DeP (Débiaisage par Oubli) : Introduction d'une nouvelle formulation de l'adaptation de domaine inspirée du Machine Unlearning, où l'on pénalise sélectivement les prédictions incertaines des classes dominantes pour rééquilibrer la distribution.
3. Optimisation conjointe Localisation-Classification : Intégration d'une tête de classification pixelique entraînée via des CAMs pour restaurer les caractéristiques de localisation discriminatives souvent perdues lors du transfert de domaine.
4. Validation rigoureuse : Démonstration de l'efficacité sur des benchmarks réels et complexes (GlaS, CAMELYON16, CAMELYON17) couvrant des décalages inter-organes et inter-centres.

4. Résultats Expérimentaux

Les expériences ont été menées sur plusieurs architectures (ResNet-50, DeiT-Tiny) et méthodes WSOL (PixelCAM, SAT, DeepMIL).

• Amélioration de la Classification (CL) : SFDA-DeP surpasse systématiquement les méthodes de l'état de l'art (SFDA-DE, CDCL, ERL, RGV).
  • Exemple avec PixelCAM : Gain moyen de +12,5 % en précision de classification (CL) et +16,1 % en précision de localisation (PxAP) par rapport à la meilleure baseline (SFDA-DE).
  • Sur le centre C17-0, la précision de classification passe de ~50 % (baselines) à 86,2 % avec SFDA-DeP.
• Amélioration de la Localisation (PxAP) : La méthode restaure la capacité à localiser précisément les tumeurs, là où les autres méthodes échouent souvent en se concentrant sur des zones de fond ou en effondrant les prédictions.
• Robustesse : Les gains sont particulièrement marqués dans les scénarios de décalage sévère (inter-centres CAMELYON17), là où les méthodes existantes stagnent ou régressent.
• Analyse qualitative : Les cartes d'activation (CAM) générées par SFDA-DeP montrent une concentration cohérente sur le tissu tumoral, contrairement aux baselines qui activent des régions de fond ou bruyantes.

5. Signification et Impact

Cet article apporte une solution critique au problème de la dégradation des performances des modèles d'IA en pathologie numérique lors du déploiement dans de nouveaux environnements cliniques.

• Fiabilité Clinique : En réduisant le biais vers les classes dominantes, SFDA-DeP améliore la fiabilité des diagnostics automatisés, évitant les faux négatifs sur des classes minoritaires ou des tissus atypiques.
• Interprétabilité : La restauration de la qualité de localisation est essentielle pour l'acceptation clinique, car les pathologistes doivent pouvoir vérifier visuellement les zones suspectes identifiées par l'IA.
• Déploiement Sans Source : La méthode permet d'adapter des modèles pré-entraînés à de nouveaux hôpitaux ou protocoles sans avoir besoin d'accéder aux données sources (souvent protégées par le secret médical) ni d'annotations coûteuses sur la cible.

En résumé, SFDA-DeP transforme l'adaptation de domaine d'un processus qui risque d'amplifier les erreurs en un processus itératif de correction, rendant les modèles WSOL beaucoup plus robustes pour la pratique clinique réelle.