Improving clinical interpretability of linear neuroimaging models through feature whitening

1. Problématique

Les modèles linéaires sont largement utilisés en imagerie cérébrale computationnelle pour identifier des biomarqueurs associés à des pathologies psychiatriques (comme la bipolarité ou la schizophrénie). Cependant, l'interprétation clinique des poids appris par ces modèles reste difficile.

Le problème principal réside dans la corrélation inhérente entre les régions cérébrales. Par exemple :

• Les structures homologues des hémisphères gauche et droit sont fortement corrélées anatomiquement.
• Les volumes de matière grise (GM) et de liquide céphalo-rachidien (CSF) au sein d'une même région présentent une relation inverse.

Ces corrélations font que les poids du modèle linéaire reflètent une variance partagée plutôt que des contributions spécifiques à chaque région, ce qui brouille l'interprétation biologique et limite la capacité à relier les sorties du modèle à des mécanismes neurobiologiques précis. Les méthodes existantes (comme les modèles « forward ») traitent souvent la collinéarité a posteriori sans intégrer explicitement la structure anatomique connue du cerveau.

2. Méthodologie

Les auteurs proposent une approche de blanchiment (whitening) des caractéristiques (features) basée sur la connaissance neuroanatomique, appliquée spécifiquement à des paires de régions corrélées.

A. Approche de Blanchiment (ZCA-cor)

Au lieu d'utiliser le blanchiment pour réduire la dimensionnalité (comme en PCA ou ICA), l'objectif ici est de désintriquer l'information tout en conservant le signal d'entrée complet.

• Technique : Utilisation de l'analyse en composantes à phase nulle corrélée (ZCA-cor). Cette méthode utilise la matrice de corrélation (et non de covariance) pour produire des variables sphériques qui restent maximales alignées avec les données originales.
• Application par paires : Le blanchiment est appliqué de manière sélective à deux types de paires :
  1. Hémisphères homologues : (ex. Amygdale gauche vs Amygdale droite) pour dissocier les contributions spécifiques à chaque hémisphère.
  2. Types de tissus intra-régionaux : (ex. Volume GM vs Volume CSF d'une même région) pour lever l'ambiguïté due à leur relation inverse.
• Implémentation : Les matrices de blanchiment sont calculées sur l'ensemble d'entraînement et appliquées à l'ensemble de test pour éviter les fuites de données. Les poids du classifieur sont ensuite projetés de l'espace blanchi vers l'espace des caractéristiques originales pour l'interprétation.

B. Variante Régularisée

Les auteurs introduisent une méthode de blanchiment régularisé ($W_\alpha$) :
$$W_\alpha = \alpha W + (1 - \alpha)I$$
Où $\alpha \in [0, 1]$ contrôle le degré de décorrélation.

• $\alpha = 1$ : Blanchiment complet (ZCA-cor standard).
• $\alpha < 1$ : Blanchiment partiel. Cela permet de conserver certaines structures de corrélation liées à la classe (par exemple, des couplages inter-hémisphériques spécifiques aux patients) qui pourraient être pertinents pour la maladie.

C. Données et Expérimentation

• Données : Deux tâches de classification binaire (Bipolarité vs Contrôles Sains ; Schizophrénie vs Contrôles Sains) utilisant des données de morphométrie basée sur les voxels (VBM) issues de plusieurs sites (BIOBD, BSNIP, SCHIZCONNECT-VIP).
• Caractéristiques : 140 régions d'intérêt (ROI) par hémisphère, incluant GM et CSF (total 280 ROI).
• Modèle : Régression logistique (pour sa linéarité et son interprétabilité) avec régularisation L2.
• Évaluation : Performance prédictive (ROC-AUC, BAcc) et interprétabilité (alignement des poids avec les méta-analyses ENIGMA).

3. Résultats Clés

A. Préservation de la Performance Prédictive

L'application du blanchiment n'a pas dégradé la performance de classification.

• Les métriques ROC-AUC et la précision équilibrée (BAcc) pour les tâches BD vs HC et SCZ vs HC sont restées statistiquement identiques (p > 0.05) entre les modèles avec et sans blanchiment.
• Cela démontre que la décorrélation n'entraîne pas de perte d'information discriminante.

B. Amélioration de l'Interprétabilité

C'est le résultat le plus significatif. Le blanchiment a permis de mieux aligner les poids du modèle avec les connaissances biologiques établies (méta-analyses ENIGMA) :

• Bipolarité (BD) : Le blanchiment a renforcé les corrélations avec les classements corticaux et a élevé l'importance des régions sous-corticales (ventricules, hippocampe, thalamus, amygdale), les rapprochant des résultats de la littérature.
• Schizophrénie (SCZ) : L'approche a amélioré le classement de régions clés (hippocampe, gyrus temporal inférieur, gyrus fusiforme, ventricules latéraux).
• Visualisation : Les matrices de corrélation montrent une réduction marquée des corrélations entre régions homologues (gauche/droite) et une atténuation des corrélations inverses GM/CSF après blanchiment. La dispersion des caractéristiques devient plus sphérique, indiquant une désintrication réussie.

4. Contributions Principales

1. Nouvelle approche d'interprétabilité : Introduction du blanchiment ZCA-cor appliqué spécifiquement à des paires anatomiques connues (hémisphères, GM/CSF) pour les modèles linéaires en imagerie cérébrale.
2. Distinction par rapport aux méthodes existantes : Contrairement à la PCA ou l'ICA qui réduisent la dimensionnalité, cette méthode conserve l'ensemble du signal d'entrée, la rendant idéale pour l'interprétation des poids plutôt que pour la sélection de caractéristiques.
3. Variante régularisée : Proposition d'un mécanisme de contrôle ($\alpha$) pour équilibrer entre la suppression de la corrélation et la préservation de structures de corrélation potentiellement pathologiques.
4. Validation empirique : Démonstration que l'interprétabilité clinique peut être améliorée sans sacrifier la performance prédictive sur des données réelles multi-sites.

5. Signification et Perspectives

Ce travail comble un vide important dans l'application du blanchiment en imagerie neurologique. Alors que le blanchiment est couramment utilisé pour le débruitage (EEG/fMRI) ou la réduction de dimension, il n'avait pas été exploité pour améliorer l'interprétabilité des modèles de classification.

• Impact clinique : En fournissant des poids de modèle plus alignés avec les mécanismes neurobiologiques réels, cette méthode permet de mieux comprendre les biomarqueurs des troubles psychiatriques.
• Futur : Les auteurs suggèrent que cette méthodologie pourrait être étendue au-delà des modèles linéaires, potentiellement intégrée dans des architectures de réseaux de neurones profonds pour améliorer l'interprétabilité des modèles complexes en neuroimagerie.

En résumé, l'article propose un cadre robuste pour transformer les sorties de modèles linéaires en neuroimagerie en informations biologiquement plausibles, en exploitant la structure anatomique connue du cerveau pour désintriquer les signaux corrélés.