💻 computer science

Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

Cet article propose une nouvelle méthode d'adaptation de domaine semi-supervisée guidée par le classement pour améliorer la classification de sévérité en imagerie médicale, en alignant les distributions de scores de rang entre les domaines source et cible afin de surmonter les défis liés aux frontières de classes floues et à l'ordre naturel des étiquettes.

Auteurs originaux : Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida

Publié 2026-04-03

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Shota Harada, Ryoma Bise, Kiyohito Tanaka, Seiichi Uchida

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

🏥 Le Problème : Quand l'hôpital A ne comprend pas l'hôpital B

Imaginez que vous avez un médecin expert (l'IA) formé dans l'Hôpital A (la source). Ce médecin est très doué pour diagnostiquer la gravité d'une maladie (comme une colite ulcéreuse ou une rétinopathie diabétique) en regardant des images. Il classe les patients sur une échelle de 1 à 4 (légère, modérée, sévère, etc.).

Le problème, c'est que si vous envoyez ce même médecin travailler à l'Hôpital B (la cible), il se trompe souvent. Pourquoi ?

Les appareils photo sont différents.
La lumière est différente.
Les protocoles de prise de vue changent.

C'est comme si vous appreniez à conduire avec une voiture allemande, puis que vous deviez conduire une voiture japonaise : les commandes sont aux mêmes endroits, mais la sensation de conduite est différente. En informatique, on appelle ça un "décalage de domaine".

De plus, la maladie n'est pas comme un interrupteur (allumé/éteint). C'est un continuum. Entre le stade 2 et le stade 3, la frontière est floue. C'est difficile pour une IA de dire "c'est exactement un 2" ou "c'est exactement un 3".

💡 La Solution : Le "Classement" plutôt que l'Étiquette

Les chercheurs de Kyushu University proposent une nouvelle méthode pour aider l'IA à s'adapter à l'Hôpital B en utilisant quelques patients étiquetés et beaucoup de patients non étiquetés.

Au lieu de dire "Ce patient est un 2", ils demandent à l'IA de jouer au jeu du classement.

1. L'analogie du "Jeu de Comparaison" (Cross-Domain Ranking)

Imaginez que vous avez deux classes d'écoliers : la classe A (source) et la classe B (cible).

Méthode ancienne : On dit à l'élève de la classe B : "Tu es un bon élève". Mais comme les critères de l'école B sont différents, il ne sait pas vraiment où il se situe par rapport à la classe A.
Méthode de ce papier : On prend un élève de la classe A et un de la classe B, et on leur demande : "Qui est le plus grand ?" ou "Qui a le plus malade ?".
- L'IA apprend à comparer directement un patient de l'Hôpital A avec un patient de l'Hôpital B.
- Elle ne se soucie pas de l'étiquette exacte, mais de l'ordre. "Le patient X est plus grave que le patient Y".
- Cela crée une échelle commune entre les deux hôpitaux, comme si on utilisait la même règle pour mesurer la taille des élèves des deux écoles.

2. L'analogie du "Nuage de Points Flottants" (Continuous Distribution Alignment)

Revenons à l'idée que la maladie est un continuum.

Imaginez que les patients de l'Hôpital A forment un nuage de points dans l'espace. Les patients "légers" sont à gauche, les "graves" à droite.
Les patients de l'Hôpital B forment un autre nuage, mais il est décalé et tordu à cause des différences d'appareils photo.
L'astuce : Au lieu de coller chaque patient de l'Hôpital B sur une étiquette rigide (comme un timbre-poste), on leur donne une probabilité floue.
- On dit : "Ce patient ressemble à 60% au groupe 'modéré' et à 40% au groupe 'sévère'".
- L'IA ajuste alors le nuage de l'Hôpital B pour qu'il se superpose parfaitement au nuage de l'Hôpital A, en respectant l'ordre naturel (les légers restent à gauche, les graves à droite).

🚀 Ce que cela donne en pratique

Les chercheurs ont testé cette méthode sur deux maladies réelles :

Colite ulcéreuse (intestin).
Rétinopathie diabétique (yeux).

Résultat :

Les anciennes méthodes (qui essayaient de coller des étiquettes rigides) échouaient souvent car elles ne comprenaient pas la fluidité de la maladie.
La nouvelle méthode, en utilisant le classement comparatif et les étiquettes floues, a réussi à aligner les deux hôpitaux.
L'IA entraînée sur l'Hôpital A est devenue aussi performante sur l'Hôpital B, même avec très peu d'exemples étiquetés dans ce dernier.

🌟 En résumé

Ce papier dit essentiellement : "Ne forcez pas l'IA à mémoriser des cases rigides. Apprenez-lui plutôt à comparer les patients entre eux et à comprendre que la maladie est un dégradé, pas une marche d'escalier."

C'est comme passer d'un système de classement scolaire rigide (10/20, 11/20) à un système de mentorat où l'on compare les progrès de chaque élève par rapport aux autres, peu importe l'école où ils étudient. Cela permet à l'IA de devenir un médecin universel, capable de travailler dans n'importe quel hôpital.

1. Problématique

Le domaine de l'analyse d'images médicales fait face à un défi majeur : le décalage de domaine (domain shift). Un classificateur entraîné sur des données étiquetées d'un hôpital (domaine source) performe souvent mal sur des données d'un autre hôpital (domaine cible) en raison de variations dans les équipements d'imagerie, les conditions de prise de vue et les protocoles.

Bien que l'adaptation de domaine semi-supervisée (SSDA) tente de résoudre ce problème en utilisant quelques échantillons étiquetés et de nombreux échantillons non étiquetés du domaine cible, les méthodes existantes échouent souvent dans le contexte de la classification de la sévérité (ex: stades d'une maladie).

La limite actuelle : La plupart des méthodes supposent que les classes forment des clusters distincts dans l'espace des caractéristiques. Or, la sévérité d'une maladie est une notion ordonnée et continue (ex: stade 1 < stade 2 < stade 3). Les frontières entre les classes sont floues, rendant l'alignement de clusters discrets inefficace et conduisant à des distributions de caractéristiques mal alignées.

2. Méthodologie Proposée

Les auteurs proposent un cadre d'adaptation de domaine guidé par le classement (ranking). Au lieu de traiter les classes comme des catégories discrètes, ils les modélisent comme des scores de classement continus reflétant la progression de la sévérité.

L'architecture du réseau comprend un extracteur de caractéristiques ( $F_e$ ) qui se divise en deux branches : un classifieur ( $F_c$ ) et une fonction de classement ( $F_r$ ). La méthode s'articule autour de deux composantes principales :

A. Classement Inter-Domaine (Cross-Domain Ranking - CDR)

Objectif : Aligner les scores de classement entre les domaines source et cible.
Fonctionnement : Contrairement au classement classique qui opère à l'intérieur d'un seul domaine, le CDR forme des paires d'échantillons en croisant les données du domaine source et du domaine cible (l'étiquetés).
Mécanisme : Il apprend une fonction de classement relative basée sur les étiquettes d'ordre. Si un échantillon source a une sévérité supérieure à un échantillon cible, le modèle doit attribuer un score de classement plus élevé au premier, indépendamment du domaine d'origine. Cela force les distributions de scores à s'aligner sur une échelle de sévérité commune.

B. Alignement de Distribution Continue (Continuous Distribution Alignment - CDA)

Objectif : Affiner l'alignement en tenant compte de la nature continue des classes, en particulier pour les échantillons non étiquetés du domaine cible.
Fonctionnement :
1. Le modèle estime la distribution des scores de classement pour les échantillons non étiquetés cibles.
2. Il génère des étiquettes douces (soft labels) basées sur le rang, plutôt que des étiquettes dures (pseudo-étiquettes binaires). Ces étiquettes douces associent probabilistiquement un échantillon à plusieurs classes, capturant ainsi l'incertitude et la continuité de la sévérité.
3. Une fonction de perte minimise la distance entre le score de classement d'un échantillon et le prototype moyen (moyenne des scores) de sa classe dans le domaine source.
Résultat : Cela aligne les distributions de scores de classement entre les domaines, même lorsque les frontières de classes sont ambiguës.

La fonction de perte globale combine la perte de classification, la perte de classement (CDR) et la perte d'alignement de distribution (CDA).

3. Contributions Clés

Cadre SSDA guidé par le classement : Une nouvelle approche qui utilise les étiquettes ordonnées pour aligner les domaines, résolvant le problème des frontières de classes floues inhérentes à la classification de la sévérité.
CDR (Cross-Domain Ranking) : Une méthode novatrice qui apprend des classements à partir de paires d'échantillons provenant de domaines différents, assurant une échelle de sévérité cohérente.
CDA (Continuous Distribution Alignment) : Une fonction de perte simple mais efficace utilisant des étiquettes douces basées sur le rang pour aligner les distributions de scores, évitant les erreurs de discrétisation excessive.

4. Résultats Expérimentaux

Les expériences ont été menées sur deux tâches de classification de sévérité :

Colite ulcéreuse (UC) : Images endoscopiques (données LIMUC et privées).
Rétinopathie diabétique (DR) : Images du fond d'œil (données FGADR et DDR).

Performances :

La méthode proposée a surpassé six autres méthodes de référence (y compris des méthodes SSDA classiques comme MME, CDAC, SLA et une méthode UDA ordonnée ORUDA) sur les métriques de Précision Macro (mP) et de F1 Macro (mF1).
L'ablation study (Tableau 2) montre que le CDR améliore principalement la précision (mP) en alignant les distributions globales, tandis que le CDA améliore le rappel (mR) en gérant mieux les échantillons non étiquetés via les étiquettes douces. L'utilisation combinée des deux offre les meilleurs résultats.
La visualisation (Fig. 3) confirme que les distributions de scores de classement, initialement décalées entre les domaines source et cible, sont correctement alignées après l'adaptation.

5. Signification et Impact

Cet article est significatif car il aborde une limitation fondamentale des méthodes d'adaptation de domaine appliquées aux maladies progressives. En reconnaissant que la sévérité est un spectre continu plutôt qu'une série de boîtes discrètes, la méthode proposée permet :

Une meilleure généralisation des modèles de diagnostic assisté par ordinateur entre différents hôpitaux.
Une exploitation plus efficace des données non étiquetées, souvent abondantes en milieu médical mais difficiles à annoter précisément.
Une approche robuste pour les tâches où les frontières cliniques sont intrinsèquement floues, ouvrant la voie à des systèmes de diagnostic plus fiables et adaptables.