When To Adapt? Adapting the Model or Data in Federated Medical Imaging

Résumé Technique : « Quand Adapter ? Adapter le Modèle ou les Données en Imagerie Médicale Fédérée »

Énoncé du Problème
L'apprentissage fédéré (FL) permet un entraînement collaboratif de modèles respectant la vie privée à travers des institutions médicales, mais il fait face à des limitations de performance significatives dues à l'hétérogénéité inter-client. En imagerie médicale, les distributions de données sont non indépendantes et non identiquement distribuées (non-IID) en raison des variations dans le matériel des scanners, les protocoles d'acquisition, les démographies des patients et les pratiques d'annotation. Cette hétérogénéité entraîne un biais sévère du modèle et une mauvaise généralisation inter-sites.

La recherche actuelle aborde ce défi à travers deux paradigmes distincts :

1. Personnalisation côté Modèle : Adaptation des paramètres du modèle à des clients spécifiques via un ajustement fin local, des couches modulaires ou l'apprentissage par méta (par exemple, FedPer, FedBN, pFedMe).
2. Harmonisation côté Données : Réduction de la variation inter-client au niveau de l'entrée en alignant les statistiques d'apparence (par exemple, le style du scanner, l'intensité) tout en préservant le contenu anatomique, souvent à l'aide de modèles génératifs (par exemple, CycleGAN, CUT) ou d'adaptation dans le domaine fréquentiel.

Malgré l'utilisation répandue de ces deux stratégies, il manque une comparaison systématique concernant quand chaque approche est préférable. Il reste unclear de savoir si le choix de la stratégie doit dépendre du type spécifique de dérive de domaine (structurelle vs basée sur l'apparence) ou de l'ampleur de l'hétérogénéité.

Méthodologie
Les auteurs proposent une étude empirique complète pour évaluer les compromis entre l'harmonisation et la personnalisation à travers six tâches d'imagerie médicale diverses :

• Tâches de Segmentation : Segmentation de polypes coliques, de lésions cutanées et de tumeurs mammaires.
• Tâches de Classification : Classification de la tuberculose sur des radiographies thoraciques (CXR), de tumeurs cérébrales et de tumeurs mammaires.

L'étude utilise un cadre expérimental unifié impliquant quatre clients par tâche, tirés de jeux de données publics distincts (par exemple, Kvasir-SEG, HAM10K, BUSI, Shenzhen Hospital CXR). Les auteurs catégorisent les dérives de domaine en deux types qualitatifs :

1. $\Delta_{style}$ (Dérive au niveau de l'entrée/de style) : Variations dans le matériel des scanners, les protocoles, l'intensité et le bruit qui altèrent l'apparence globale mais préservent la disposition anatomique.
2. $\Delta_{content}$ (Dérive au niveau du contenu/de structure) : Variations dans l'anatomie, la morphologie de la pathologie, le point de vue et le contexte de la scène qui altèrent la structure spatiale et le contenu sémantique.

Les auteurs évaluent 18 méthodes de l'état de l'art (SoTA) dans des conditions fédérées identiques et avec des budgets de communication égaux. Ceux-ci incluent :

• Lignes de base : Centralisé localement, centralisé (testé globalement/localement) et FedAvg Vanilla.
• Méthodes d'Harmonisation : Prétraitement/augmentation, correspondance d'histogrammes, adaptation dans le domaine fréquentiel (FDA), MixStyle (niveau entrée et niveau caractéristiques), et traduction générative (CycleGAN, CUT, AdaIN, CoMoGAN).
• Méthodes de Personnalisation : Personnalisation par couche (FedPer, FedRep, FedBN), approches basées sur l'optimisation (FedProx, SCAFFOLD, FedAdam), et bi-modèle/apprentissage par méta (pFedMe, Ditto).

Contributions Clés

1. Comparaison Complète : L'article fournit la première comparaison systématique des stratégies d'harmonisation et de personnalisation à travers six tâches d'imagerie médicale avec des types d'hétérogénéité variables.
2. Analyse Empirique de la Dérive de Domaine : Il démontre empiriquement que l'efficacité d'une stratégie d'adaptation est conditionnelle au type et à l'ampleur de la dérive de domaine, plutôt qu'à la tâche seule.
3. Code Modularisé : Les auteurs publient une base de code modulaire supportant les deux paradigmes pour faciliter les recherches futures et les approches hybrides.

Résultats Expérimentaux
Les résultats révèlent un compromis conditionnel piloté par la nature de l'hétérogénéité :

• Hétérogénéité Structurelle (Segmentation de Polypes Coliques) : Dans les tâches avec de grandes variations structurelles (par exemple, différents jeux de données d'endoscopie avec des formes et géométries de polypes variables), les méthodes de personnalisation surpassent constamment l'harmonisation. L'adaptation du modèle aux structures spécifiques au client est cruciale ici.
• Hétérogénéité Pilotée par l'Apparence (Classification de Tuberculose sur CXR) : Dans les tâches où l'anatomie est préservée mais où les variations de scanner/intensité dominent, les méthodes d'harmonisation surpassent constamment la personnalisation. Réduire la variabilité d'entrée permet à un modèle global partagé de performer efficacement.
• Variation Modérée/Limitée (Lésions Cutanées, Tumeurs Mammaires, Tumeurs Cérébrales) : Lorsque les différences inter-client sont faibles ou mixtes (dérives structurelles et d'apparence modérées), les deux stratégies performent de manière similaire, aucune n'offrant un avantage clair. Dans ces cas, la performance approche souvent le « plafond » de la ligne de base centralisée.

Plus spécifiquement, pour la segmentation de polypes coliques, la personnalisation (par exemple, Ditto, Ajustement Fin Local) a obtenu des scores Dice supérieurs par rapport à l'harmonisation. À l'inverse, pour la classification de la tuberculose sur CXR, l'harmonisation (par exemple, correspondance d'histogrammes, MixStyle) a nettement surpassé la personnalisation, qui a lutté face à la forte variance des styles d'entrée.

Signification et Revendications
L'article conclut qu'il n'existe pas de stratégie universellement supérieure pour l'imagerie médicale fédérée. Au lieu de cela, le choix entre adapter le modèle ou les données dépend des caractéristiques spécifiques de la dérive de domaine :

• Adapter le Modèle (Personnalisation) lorsque l'hétérogénéité est principalement structurelle (par exemple, anatomie variable ou morphologie de la pathologie).
• Adapter les Données (Harmonisation) lorsque l'hétérogénéité est principalement basée sur l'apparence (par exemple, style du scanner, intensité, bruit).
• L'une ou l'Autre Stratégie suffit lorsque la variation est limitée ou modérée.

Les auteurs soulignent que les systèmes fédérés pratiques devraient évaluer la variation inter-sites a priori pour sélectionner la stratégie appropriée, plutôt que de supposer une préférence fixe. Ils reconnaissent une limite : dans des scénarios réels, le type et l'ampleur de l'hétérogénéité sont souvent inconnus et dynamiques. Par conséquent, ils mettent en avant des directions futures pour développer des métriques afin de caractériser l'hétérogénéité directement à partir des données et créer des cadres adaptatifs combinant à la fois l'harmonisation et la personnalisation à plusieurs niveaux.