Résumé Technique : Raisonnement Contrefactuel Fondé sur la Clinique pour le Diagnostic Vidéo Médical (MEDVCR)

1. Énoncé du Problème

Le diagnostic vidéo clinique, tel qu'en colposcopie et en coloscopie, exige que les médecins évaluent les réponses dynamiques des tissus à travers les étapes procédurales pour détecter des maladies comme les cancers du col utérin et colorectal. Bien que les modèles spatio-temporels récents aient fait progresser l'analyse vidéo médicale de bout en bout, ils souffrent de trois limitations fondamentales :

1. Interprétation erronée de l'évolution pathologique : Les modèles existants traitent souvent les vidéos comme des séquences de changements visuels, en analysant les variations au niveau des pixels tout en négligeant la façon dont les tissus évoluent à travers des étapes d'examen spécifiques (par exemple, les réactions transitoires aux réactifs comme l'acide acétique ou l'iode).
2. Ignorance des principes de diagnostic clinique : Les approches purement axées sur les données confondent fréquemment les indices diagnostiques significatifs avec des variations non pathologiques causées par des changements d'éclairage, des modifications de couleur des réactifs ou des mouvements de la caméra, manquant de contraintes cliniques explicites.
3. Absence de raisonnement guidé par l'hypothèse : Les modèles actuels corrèlent les motifs observés avec les résultats diagnostiques mais échouent à émuler le raisonnement « guidé par l'hypothèse » des cliniciens. Les médecins simulent mentalement des scénarios contrefactuels (par exemple, « Et si ce tissu était bénin au lieu d'être malin ? ») pour distinguer les indices pathologiques causaux des corrélations fortuites. Cette capacité est particulièrement cruciale lors de l'apprentissage à partir de cas cliniques limités, mais elle est absente dans la plupart des systèmes automatisés.

2. Méthodologie : MEDVCR

Les auteurs proposent MEDVCR, un cadre de raisonnement contrefactuel guidé par l'hypothèse qui intègre les observations factuelles avec des scénarios hypothétiques cliniquement plausibles. L'architecture se compose de trois composants principaux :

2.1. Générateur Contrefactuel (CG)

Inspiré par la pratique clinique consistant à comparer mentalement les progressions observées avec des résultats alternatifs, le CG synthétise des transitions de tissus réalistes conditionnées par des états de santé spécifiques (bénin ou malin).

• Mécanisme : Il est formulé comme un modèle de diffusion conditionnel. Étant donné une image de référence $x_t$ de l'étape $s_t$ et une condition de santé cible $h$, le générateur produit l'image correspondante $\tilde{x}^h_{t+1}$ à l'étape suivante $s_{t+1}$.
• Processus : Il emploie un processus de diffusion avant pour corrompre les images réelles de tissus avec du bruit gaussien et un processus de débruitage inverse apprenable (utilisant un réseau en forme de U) pour restaurer itérativement les informations diagnostiques cohérentes avec l'état pathologique spécifié. Cela permet la synthèse de variantes bénignes et malignes pour la même entrée, permettant la simulation de trajectoires diagnostiques alternatives.

2.2. Apprentissage de Représentation Contrefactuelle (CRL)

Le module CRL apprend des représentations spatio-temporelles à partir de séquences vidéo factuelles et des hypothèses contrefactuelles générées. Il impose trois règles cliniques spécifiques pour garantir que les représentations soient physiologiquement cohérentes et diagnostiquement interprétables :

1. Cohérence temporelle : Garantit que l'information diagnostique reste stable à travers les étapes d'examen pour la même région de tissu, indépendamment des réactions aux réactifs ou des changements d'éclairage. Cela est imposé par une perte de contraste temporel.
2. Séparabilité pathologique : Impose une séparation claire entre les conditions bénignes et malignes dans l'espace latent, garantissant que les caractéristiques sont indépendantes entre les catégories pathologiques tout en préservant une forte dépendance diagnostique. Cela est imposé par une perte de séparabilité douce.
3. Alignement contrefactuel : Exige que l'encodeur aligne les observations factuelles avec leurs contreparties contrefactuelles cohérentes avec la pathologie tout en les séparant des hypothèses incompatibles. Cela est imposé par une perte d'alignement basée sur des triplets.

2.3. Prédiction Diagnostique Duale (DDP)

La stratégie DDP imite le raisonnement hiérarchique des cliniciens en intégrant le contexte temporel global avec le contraste contrefactuel au niveau des images.

• Évaluation au niveau vidéo : Agrège les dynamiques temporelles globales de l'ensemble de la séquence d'examen.
• Analyse au niveau image : Analyse indépendamment les images clés factuelles et leurs contreparties contrefactuelles (par exemple, une image suspectée maligne par rapport à une hypothèse bénigne générée).
• Fusion : La prédiction finale combine les dynamiques de progression au niveau vidéo avec les preuves au niveau image soutenant la véritable pathologie, tout en supprimant simultanément les indices alignés avec l'hypothèse alternative. Cela réalise un raisonnement diagnostique différentiel au niveau de la prédiction.

2.4. Objectif d'Entraînement

Le cadre utilise une fonction de perte hybride :

• Perte du Générateur : Minimise l'erreur quadratique moyenne entre le bruit prédit et le bruit de référence pendant le processus de diffusion.
• Perte de l'Encodeur Visuel : Combine les pertes de contraste temporel, de séparabilité et d'alignement contrefactuel dérivées des règles cliniques.
• Perte Diagnostique : Une perte standard d'entropie croisée binaire supervisée comparant les probabilités prédites aux étiquettes de vérité terrain.

3. Contributions Clés

• Paradigme Novel : Introduit un paradigme de raisonnement contrefactuel pour le diagnostic vidéo médical qui modélise explicitement l'évolution des tissus sous différents états de maladie, comblant le fossé entre l'apprentissage axé sur les données et le raisonnement clinique expert.
• Intégration Clinique : Intègre des principes de diagnostic clinique explicites (cohérence temporelle, séparabilité pathologique et alignement contrefactuel) en tant que contraintes de régularisation au sein du processus d'apprentissage de représentations.
• Architecture : Propose un cadre unifié comprenant un Générateur Contrefactuel basé sur la diffusion, un module d'Apprentissage de Représentation régularisé par des règles et une stratégie de Prédiction Diagnostique Duale.
• Polyvalence : Démontre son efficacité dans des contextes entièrement supervisés (localisation du site de biopsie) et faiblement supervisés (détection d'images de polypes), ainsi que dans l'analyse d'images statiques (mammographie).

4. Résultats Expérimentaux

Les auteurs ont évalué MEDVCR sur deux tâches représentatives et une tâche d'imagerie statique supplémentaire :

• Colposcopie Entièrement Supervisée (Localisation du site de biopsie) :

  • Jeu de données : Jeu de données interne de 623 vidéos de colposcopie spécifiques à chaque patient.
  • Performance : A atteint un Rappel@1 de 93,0 %, surpassant la meilleure base de référence de l'état de l'art (SOTA) (SurgFormer) de 10,2 %.
  • Comparaison : A nettement dépassé les modèles généraux de compréhension vidéo (par exemple, TimeSformer, VideoSwin) et les bases de référence spécifiques au domaine médical.

• Coloscopie Faiblement Supervisée (Détection d'images de polypes) :

  • Jeu de données : Combinaison des jeux de données Kvasir et LDPolypVideo (plus d'un million d'images).
  • Performance : A atteint une Précision Moyenne (AP) de 94,8 %, surpassant la base de référence la plus forte (Fadmb) de 2,6 %.
  • Signification : A démontré l'avantage du raisonnement contrefactuel pour modéliser les dynamiques pathologiques subtiles sous une supervision faible.

• Études d'Ablation :

  • A confirmé que les Règles Cliniques (CRL) et la stratégie de Prédiction Diagnostique Duale (DDP) contribuent positivement.
  • A montré que la règle d'Alignement Contrefactuel a fourni le gain de performance le plus important, soulignant son rôle critique dans la liaison des représentations factuelles et contrefactuelles.
  • A validé que les architectures basées sur la vidéo (spécifiquement I3D) surpassent les modèles vision-langage et auto-supervisés pour cette tâche.

• Généralisation (Mammographie) :

  • Lorsqu'adapté pour la classification mammographique bilatérale (images statiques), MEDVCR a atteint un AUC de 93,4 %, surpassant les méthodes antérieures spécifiques au sein (90,9 % d'AUC), démontrant sa polyvalence à travers les modalités.

5. Signification et Revendications

L'article revendique que MEDVCR adresse la nature « boîte noire » des systèmes de diagnostic automatisés actuels en émulant le processus cognitif que les cliniciens emploient en pratique. En simulant et en contrastant explicitement l'évolution des tissus sous différentes conditions pathologiques, le cadre :

• Améliore la Fiabilité : Améliore substantiellement la robustesse diagnostique, en particulier dans des contextes où les données sont rares, où il est difficile de distinguer les indices causaux des facteurs de confusion.
• Renforce l'Interprétabilité : Fournit un support décisionnel transparent en contrastant les observations factuelles avec des alternatives hypothétiques, rendant le processus de raisonnement diagnostique plus aligné sur les principes cliniques.
• Ouvre de Nouvelles Voies : Suggère que ce paradigme de raisonnement contrefactuel peut être étendu à d'autres tâches de diagnostic clinique basées sur la vision, allant au-delà de la simple reconnaissance de motifs vers une IA guidée par l'hypothèse et fondée sur la clinique.

Les auteurs reconnaissent des limites, notant que le générateur modélise actuellement des transitions à court terme entre des étapes adjacentes et que les règles cliniques incorporées n'englobent pas encore toute la gamme des stratégies de raisonnement expert. Un travail futur est suggéré pour élargir la portée de la modélisation générative et la couverture des connaissances cliniques.