Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

Résumé Technique : Modèles de Goulot d'Étranglement Causal Guidés par des Radiologues pour l'Interprétation de Radiographies du Thorax

Énoncé du Problème
Les modèles de goulot d'étranglement de concepts (Concept Bottleneck Models - CBM) visent à améliorer l'interprétabilité en imagerie médicale en prédisant des concepts intermédiaires, compréhensibles par l'humain, avant les diagnostics finaux. Cependant, les CBM existants dans ce domaine font face à trois limitations principales :

1. Biais Discriminatif : La plupart traitent les concepts comme des caractéristiques prédictives indépendantes (Concept $\rightarrow$ Pathologie), ignorant le processus génératif clinique sous-jacent où les maladies provoquent des signes observables (Pathologie $\rightarrow$ Concept).
2. Manque d'Ancrage Clinique : De nombreuses approches reposent sur des concepts faiblement supervisés ou latents qui peuvent ne pas s'aligner avec un raisonnement diagnostique significatif ou des définitions sémantiques stables.
3. Associations Spurious : Sans contraintes structurelles explicites, les modèles entraînés sur des ensembles de données médicaux bruyants peuvent apprendre des corrélations improbables entre les concepts et les pathologies qui ne reflètent pas la logique diagnostique réelle.

Méthodologie : XpertCausal
Les auteurs proposent XpertCausal, un CBM causal guidé par des radiologues pour l'interprétation de radiographies du thorax (CXR). L'architecture suit un pipeline en deux étapes :

1. Prédiction de Concepts : Un backbone InceptionV3 (préentraîné sur ImageNet) mappe les CXR d'entrée vers un vecteur de 11 concepts cliniquement curatés (par exemple, "Opacités", "Cœur Agrandi") dérivés des rapports de radiologie via un pipeline d'extraction basé sur des règles.
2. Inférence Causale de Pathologie : Contrairement aux CBM standards, XpertCausal modélise la relation dans la direction générative (Pathologie $\rightarrow$ Concept) en utilisant un cadre probabiliste NOISY-OR.
   • Modèle Génératif : La probabilité qu'un concept $c_k$ soit présent étant donné un ensemble de pathologies $y$ est modélisée comme suit :
     $$P(c_k = 1 | y) = 1 - (1 - \lambda_k) \prod_{j: y_j=1} (1 - \eta_{jk})$$
     où $\eta_{jk}$ est la force d'association entre la pathologie $j$ et le concept $k$, et $\lambda_k$ est un terme de fuite.
   • Contraintes d'Expert : La structure du modèle est contrainte par une matrice d'association curatée par des radiologues. Cette matrice définit les relations comme Fortes (2), Faibles (1) ou Nulles (-), garantissant que seuls des chemins cliniquement plausibles existent dans le graphe causal.
   • Inférence Bayésienne : À l'inférence, le modèle génératif est inversé pour estimer les probabilités de pathologie étant donné les concepts prédits :
     $$P(y | c) = \frac{P(c | y) P(y)}{\sum_{y'} P(c | y') P(y')}$$
   • Génération d'Explications : Les explications sont dérivées en classant les concepts selon leur contribution causale (rapports de vraisemblance logarithmique) aux pathologies prédites, plutôt que simplement selon la confiance de prédiction.

Contributions Clés

1. Architecture Nouvelle : Introduction de XpertCausal, qui combine des goulot d'étranglement de concepts interprétables avec une modélisation causale probabiliste des maladies utilisant un cadre noisy-OR et une inversion bayésienne.
2. Structure Guidée par l'Expert : Intégration des associations concept-pathologie définies par des radiologues en tant que contraintes structurelles au sein du graphe causal. Cela impose un raisonnement ancré cliniquement et empêche l'apprentissage de dépendances improbables.
3. Évaluation Complète : Une évaluation rigoureuse sur l'ensemble de données MIMIC-CXR comparant XpertCausal à une base de référence non causale pilotée par des experts (XpertXAI) et à un modèle d'ablation causal avec des associations apprises non contraintes (Causal (Learned)).

Résultats
Évalué sur l'ensemble de données MIMIC-CXR (44 038 paires CXR-rapport), XpertCausal a démontré des performances supérieures sur plusieurs métriques :

• Prédiction de Pathologie : XpertCausal a obtenu le macro-moyen AUROC le plus élevé (0,7968) et le score F1 (0,7109), surpassant le XpertXAI non causal (AUROC 0,7361) et le modèle Causal (Learned) non contraint (AUROC 0,7631). Il a également obtenu la meilleure calibration (Erreur de Calibration Attendue de 0,0079).
• Qualité des Explications : XpertCausal a capturé la plus grande proportion de concepts de vérité terrain à faible $K$ (1 à 2 premiers concepts), indiquant qu'il classe plus fiablement les signes diagnostiquement pertinents comme les plus importants.
• Fidélité du Graphe : L'analyse des poids des arêtes apprises a montré que XpertCausal maintenait une séparation forte entre les catégories "Fort", "Faible" et "Nul" définies par les experts. En revanche, le modèle Causal (Learned) non contraint a attribué des poids non nuls aux associations "Nulles" (par exemple, reliant "Pneumothorax" à "Sans Remarque"), reflétant des corrélations spurious plutôt qu'une logique clinique.

Signification et Revendications
L'article revendique que l'intégration d'une structure causale motivée cliniquement et de connaissances expertes du domaine dans les CBM conduit à des modèles qui sont non seulement plus précis et mieux calibrés, mais aussi plus alignés avec le raisonnement diagnostique humain. En modélisant explicitement le processus génératif (Pathologie $\rightarrow$ Concept) et en l'inversant via une inférence bayésienne, XpertCausal fournit un cadre où les explications sont liées au mécanisme causal de la manifestation de la maladie plutôt qu'à de simples corrélations statistiques. Les auteurs affirment que la structure causale seule est insuffisante dans les ensembles de données médicaux bruyants ; sans contraintes définies par des experts, les graphes appris risquent de capturer des artefacts spécifiques à l'ensemble de données plutôt que de véritables voies diagnostiques.

Limites
Les auteurs reconnaissent que l'étude actuelle est limitée à un espace de concepts spécifique (11 concepts) et à six étiquettes cibles curatés par un seul radiologue. Un travail futur est proposé pour étendre les espaces de concepts et de pathologies, intégrer des relations expertes supplémentaires, et valider la généralisation sur des ensembles de données externes et des contextes d'imagerie.