Résumé Technique : Régression de Shapley pour l'Aide au Diagnostic des Maladies Rares (Étude de Cas APDS)

1. Énoncé du Problème

Le diagnostic des déficits immunitaires primaires rares, spécifiquement le syndrome activé de PI3Kδ (APDS), fait face à un dilemme de « petites données, haute complexité ». L'APDS se caractérise par une faible prévalence (estimée à 1–2 pour un million), des symptômes hautement hétérogènes et un chevauchement significatif avec des troubles immunitaires courants, entraînant un sous-diagnostic fréquent et une reconnaissance tardive.

Du point de vue de l'apprentissage automatique, les approches existantes peinent à équilibrer la puissance prédictive avec l'interprétabilité clinique :

• Modèles Linéaires Traditionnels (ex. : Régression Logistique) : Offrent une stabilité sur les petits jeux de données mais supposent des contributions additives des caractéristiques, échouant à capturer les interactions synergiques ou redondantes entre les symptômes.
• Modèles Non Linéaires à Haute Capacité (ex. : Réseaux de Neurones, XGBoost) : Peuvent capturer des interactions complexes mais sont sujets au surajustement sur de petites cohortes et manquent de la transparence requise pour une adoption clinique.

Le défi consiste à développer un modèle qui capture les interactions non linéaires des symptômes (cruciales pour les systèmes biologiques) tout en maintenant l'interprétabilité et la stabilité nécessaires au diagnostic des maladies rares.

2. Méthodologie : Régression de Shapley (SR)

Les auteurs proposent la Régression de Shapley, une extension théorique des jeux de la régression logistique qui remplace le prédicteur affine standard par un jeu coopératif $k$-additif.

Formulation Principale

La probabilité de la classe positive (APDS) est modélisée comme suit :
$$P(y = 1 | \mathbf{x}) = \sigma\left(\beta + \sum_{A \subseteq F, A \neq \emptyset} I(A) \cdot \phi_A(\mathbf{x})\right)$$
Où :

• $\mathbf{x}$ est le vecteur de caractéristiques normalisé.
• $\sigma$ est la fonction sigmoïde.
• $I(A)$ sont des coefficients apprenables représentant les Indices d'Interaction de Shapley pour les sous-ensembles de caractéristiques $A$.
• $\phi_A(\mathbf{x})$ sont des fonctions de base construites pour permettre une interprétation directe par la théorie des jeux (basée sur l'intégrale de Choquet).

Choix Architecturaux Clés

1. Complexité 2-Additive : Pour prévenir la « malédiction de la dimensionnalité » inhérente aux petits jeux de données médicaux, le modèle est contraint à $k=2$. Cela limite l'apprentissage à :
   • Effets Principaux : Contributions indépendantes des caractéristiques uniques ($|A|=1$).
   • Interactions par Paires : Interactions synergiques ($I > 0$) ou redondantes ($I < 0$) entre paires de caractéristiques ($|A|=2$).
   • Les interactions d'ordre supérieur sont forcées à zéro, réduisant l'espace des paramètres de manière exponentielle à quadratique ($O(n^2)$).
2. Régularisation : Le modèle emploie une régularisation $\ell_2$ (Ridge) sur les indices de Shapley. L'analyse théorique (utilisant la minimisation du risque structurel et la stabilité algorithmique) démontre que la régularisation $\ell_2$ fournit une borne sur l'écart de généralisation et assure la stabilité des explications d'interaction, contrairement aux modèles non régularisés qui souffrent d'une variance élevée dans des contextes de haute dimension.
3. Entraînement : Le modèle est entraîné en minimisant la vraisemblance négative régularisée sur un espace de caractéristiques élargi contenant les fonctions de base pour les singletons et les paires.

3. Contributions Clés

1. Nouvelle Architecture de Modèle : Introduction de la Régression de Shapley, qui intègre la théorie des jeux coopératifs dans la régression logistique pour modéliser explicitement les interactions de caractéristiques tout en préservant la convexité et la transparence des modèles linéaires.
2. Garanties Théoriques : L'article fournit des bornes théoriques sur la généralisation et, crucialement, sur la stabilité des explications. Il prouve que la régularisation $\ell_2$ impose un plafond strict à la variance des indices d'interaction de Shapley, assurant que l'interprétabilité du modèle est robuste au bruit.
3. Validation Empirique :
   • Étalonnage : Validé sur huit jeux de données biomédicaux publics (incluant le diabète et la COVID-19), confirmant qu'un modèle 2-additif avec régularisation $\ell_2$ atteint un compromis optimal entre puissance prédictive et robustesse au bruit.
   • Étude de Cas APDS : Appliqué à une cohorte réelle de 222 patients (29 cas d'APDS, 193 témoins) provenant de l'entrepôt de données de l'Hôpital Necker.
4. Interprétabilité Clinique : La méthode produit directement des Indices d'Interaction de Shapley, permettant aux cliniciens de distinguer les symptômes indépendants, les paires synergiques et les caractéristiques redondantes sans approximation a posteriori.

4. Résultats

Performance Prédictive

Dans une validation croisée imbriquée à 5 plis sur la cohorte APDS, le modèle de Régression de Shapley 2-additif a obtenu :

• Précision Équilibrée : 0,941 (surpassant la RL Linéaire à 0,907 et XGBoost à 0,884).
• Sensibilité (Rappel) : 0,933, la plus élevée parmi tous les modèles, indiquant une capacité supérieure à détecter les cas rares d'APDS.
• Spécificité : 0,948, maintenant une haute précision dans l'identification des témoins.
• Efficacité : Le modèle est léger en calcul, fonctionnant efficacement sur du matériel CPU standard, le rendant faisable pour un déploiement clinique sans GPU spécialisés.

Analyse des Interactions

Le modèle a réussi à cartographier le paysage des interactions symptomatiques :

• Validation des Phénotypes Connus : Le modèle a identifié les manifestations centrales de l'APDS (ex. : immunodéficience, splénomégalie, lymphopénie) comme de forts prédicteurs positifs.
• Insights sur les Interactions :
  • Redondance : Les caractéristiques immunologiques centrales ont montré des interactions négatives (redondance) avec d'autres phénotypes, indiquant qu'elles sont hautement informatives individuellement et ajoutent peu de valeur incrémentale lorsqu'elles sont combinées.
  • Importance Contextuelle : Des symptômes comme la douleur et l'anesthésie ont montré des interactions positives étendues avec d'autres caractéristiques, suggérant que leur valeur diagnostique dépend du contexte plutôt que d'être autonome.
  • Résultats Contre-Intuitifs : Certains phénotypes (ex. : épanchement pleural, allergie) apparaissaient négativement associés à l'APDS à l'isolement mais montraient des interactions positives avec des caractéristiques non traditionnelles, soulignant la capacité du modèle à démêler des motifs de co-occurrence complexes.
• Revue par des Experts : Un expert clinique a validé les 30 phénotypes interactifs principaux, confirmant que 17 étaient des manifestations cliniques centrales de l'APDS.

5. Signification et Revendications

L'article revendique que la Régression de Shapley offre une solution pragmatique au problème de « petites données, haute complexité » dans le diagnostic des maladies rares. Sa signification réside dans trois domaines :

1. Combler le Fossé : Elle comble avec succès le fossé entre l'expressivité des modèles non linéaires et l'interprétabilité des modèles linéaires, une exigence critique pour la confiance clinique.
2. Stabilité des Explications : Contrairement aux méthodes d'explication a posteriori (ex. : LIME, SHAP appliqués à des boîtes noires), les paramètres de la SR sont les explications. Les auteurs revendiquent une preuve théorique que la régularisation $\ell_2$ garantit que ces explications sont stables et invariantes au bruit.
3. Utilité Clinique : Le cadre aide non seulement à la détection (haute sensibilité) mais facilite l'exploration des interactions symptomatiques par paires, offrant une perspective complémentaire sur les mécanismes de la maladie que les modèles additifs traditionnels manquent.

Les auteurs restent modestes concernant la taille actuelle de la cohorte (222 patients), notant que si les résultats sont prometteurs, des cohortes plus larges sont nécessaires pour valider robustement les interactions identifiées et améliorer la confiance prédictive. Ils positionnent la SR comme un outil exploratoire utile pour comprendre les interactions phénotypiques complexes dans les maladies rares.