Representation-Level Adversarial Regularization for Clinically Aligned Multitask Thyroid Ultrasound Assessment

1. Problématique et Contexte

L'échographie thyroïdienne est l'examen de première intention pour évaluer les nodules thyroïdiens et décider de la nécessité d'une biopsie. Dans la pratique clinique courante, les radiologues produisent deux sorties couplées :

1. Le contour du nodule (pour la mesure et la documentation).
2. La catégorie de risque TI-RADS (basée sur des critères échographiques comme les marges, l'échogénicité, la forme, etc.).

Les défis identifiés :

• Variabilité des annotateurs : Les contours tracés et les catégories de risque attribuées varient d'un radiologue à l'autre pour un même cas. Cette variabilité crée une supervision inconsistante qui peut déstabiliser l'entraînement des modèles d'apprentissage profond.
• Limites des approches existantes :
  • Les modèles séparés (classification seule ou segmentation seule) ne capturent pas la synergie clinique entre la morphologie et le risque.
  • Les pipelines séquentiels (segmenter puis classifier) propagent les erreurs de segmentation vers la prédiction de risque.
  • Les modèles multitâches classiques (partageant un encodeur) souffrent souvent de transfert négatif : les gradients des différentes tâches entrent en conflit au sein de la représentation partagée, dégradant les performances globales.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'apprentissage multitâche cliniquement aligné, intégrant une nouvelle technique de régularisation appelée RLAR (Representation-Level Adversarial Regularization).

A. Architecture Globale

Le modèle utilise un encodeur partagé qui alimente deux têtes de sortie :

1. Une tête de segmentation (masque du nodule).
2. Une tête de classification (catégorie TI-RADS).

B. Guidance Clinique par Distillation de Radiomique

Pour ancrer la prédiction de risque dans des preuves cliniquement interprétables, l'architecture réserve une partie de l'embedding de classification ($h_{tirads}$) pour encoder des descripteurs radiomiques compacts (13 dimensions).

• Entraînement : Un vecteur cible $r(x, \Omega)$ est calculé à partir du masque de vérité terrain et de l'image (mesures de forme, de marge, d'échogénicité, etc.). Une perte de régression ($L_{clin}$) force le sous-espace $h_{tirads}$ à correspondre à ces caractéristiques radiomiques.
• Inférence : Les radiomiques ne sont pas calculés lors du test ; ils servent uniquement de cible d'enseignement pour guider l'apprentissage des caractéristiques profondes.

C. Régularisation Adversariale au Niveau de la Représentation (RLAR)

C'est la contribution centrale de l'article. Pour résoudre le conflit de gradients dans la représentation partagée sans séparer rigidement les tâches :

1. Détection de sensibilité : Pour chaque tâche $t$ (segmentation, classification, guidance clinique), on calcule une direction adversaire normalisée $\delta_t$ dans l'espace latent. Cette direction indique comment modifier la représentation pour augmenter le plus rapidement la perte de la tâche $t$.
2. Mesure d'interférence : La similarité cosinus entre les directions adversaires de paires de tâches différentes est calculée.
3. Régularisation : Une pénalité ($L_{RLAR}$) est ajoutée à la fonction de coût total pour décourager un alignement angulaire excessif entre ces directions.
   • Objectif : Encourager des sensibilités de tâches complémentaires (non conflictuelles) tout en préservant les indices cliniques partagés bénéfiques.

Fonction de perte totale :
$$L_{total} = \lambda_{seg}L_{seg} + \lambda_{cls}L_{cls} + \lambda_{clin}L_{clin} + L_{RLAR}$$

3. Contributions Clés

1. Cadre Multitâche Cliniquement Aligné : Un modèle unique qui joint segmentation et stratification du risque TI-RADS, reflétant le flux de travail réel des radiologues.
2. RLAR (Nouvelle Méthode) : Une régularisation géométrique au niveau de la représentation qui contrôle explicitement l'interférence entre les tâches en utilisant les directions adversaires comme sondes de sensibilité, évitant ainsi le transfert négatif sans nécessiter de chirurgie de gradient au niveau des paramètres.
3. Distillation de Connaissances Cliniques : Intégration de cibles radiomiques interprétables pendant l'entraînement pour guider l'embedding de classification, améliorant la robustesse sans alourdir le déploiement.
4. Validation Rigoureuse : Évaluation sur deux jeux de données publics (ThyroidXL et AIMI), incluant une évaluation "zero-shot" sur un domaine externe (AIMI) pour tester la généralisation.

4. Résultats Expérimentaux

Les expériences ont été menées sur ThyroidXL (données statiques, MICCAI 2025) et AIMI (données cinématiques, domaine externe).

• Classification TI-RADS :

  • Le modèle avec RLAR obtient les meilleurs résultats en termes de rappel (Recall) sur le jeu de données externe AIMI (0.4033), surpassant les baselines multitâches classiques. Un rappel élevé est crucial cliniquement pour éviter de manquer des nodules à haut risque.
  • Sur ThyroidXL, le modèle "Clinically Guided" atteint les meilleures performances globales (F1 ~0.6267).
  • RLAR montre une variance très faible entre les plis de validation, indiquant une optimisation plus stable.

• Segmentation :

  • Le modèle RLAR maintient une qualité de segmentation élevée (Dice ~0.856 sur ThyroidXL), se classant deuxième après la baseline multitâche "Vanilla" mais avec une variance nettement réduite (±0.0018 contre ±0.011).
  • Sur AIMI, RLAR obtient la meilleure distance de Hausdorff (HD95) parmi les variantes multitâches, suggérant une meilleure robustesse des contours face au décalage de domaine.

• Études d'ablation :

  • L'application de RLAR au niveau du goulot d'étranglement (bottleneck) est la plus efficace sur ThyroidXL, tandis que le niveau milieu de l'encodeur fonctionne mieux sur AIMI, probablement en raison de la variabilité intra-cas plus élevée dans les séquences cinématiques.
  • L'analyse de l'importance des caractéristiques cliniques montre que le modèle sur AIMI dépend fortement des indices de texture et de forme pour la généralisation, tandis que ThyroidXL est plus robuste aux perturbations d'une seule caractéristique.

5. Signification et Conclusion

Cet article démontre que l'apprentissage multitâche pour l'échographie thyroïdienne peut être stabilisé et amélioré en traitant explicitement le conflit de gradients comme un problème géométrique dans l'espace latent.

• Impact Clinique : La méthode améliore la stratification du risque (en particulier la détection des nodules à haut risque via un rappel accru) tout en maintenant une précision de segmentation, le tout sans ajouter de complexité lors de l'inférence clinique.
• Avancée Technique : RLAR propose une alternative souple et efficace aux méthodes de séparation rigide des représentations ou de la chirurgie de gradient, permettant aux tâches de partager des informations bénéfiques tout en atténuant leurs interférences destructrices.
• Généralisation : La capacité du modèle à maintenir des performances sur un jeu de données externe (AIMI) avec des données cinématiques, sans fine-tuning, souligne la robustesse de l'approche face aux variations de domaine et d'annotation.

En résumé, RLAR permet de construire des modèles d'IA plus fiables et cliniquement pertinents pour l'aide au diagnostic des nodules thyroïdiens, en alignant l'apprentissage automatique sur la logique décisionnelle complexe des radiologues.