Brain-Atlas-Guided Generative Counterfactual Attention for Explainable Cognitive Decline Diagnosis Using Multimodal Connectomes

Résumé Technique : Attention Contrefactuelle Générative Guidée par l'Atlas Cérébral pour le Diagnostic Explicable du Déclin Cognitif

Énoncé du Problème
Le trouble cognitif léger (MCI) et le déclin cognitif subjectif (SCD) représentent des étapes critiques du continuum de la maladie d'Alzheimer. Un diagnostic précis et explicable est essentiel pour une intervention précoce. Bien que les modèles de deep learning existants utilisant les connectomes cérébraux (connectivité fonctionnelle [FC] et connectivité structurelle [SC]) aient amélioré les performances de classification, ils opèrent largement comme des « boîtes noires ». Les méthodes d'explication actuelles (par exemple, Grad-CAM, SHAP) fournissent souvent des informations post-hoc conditionnées par l'étiquette, qui ne parviennent pas à modéliser explicitement la transition entre les états cognitifs. De plus, elles peinent à capturer les changements minimaux et pertinents pour la maladie nécessaires pour transformer un connectome source (par exemple, un Contrôle Sain) en un connectome cible (par exemple, un MCI), et elles négligent souvent la topologie structurée et contrainte par l'atlas des réseaux cérébraux.

Méthodologie
L'article propose le Réseau d'Attention Contrefactuelle Générative (GCAN), un cadre qui formule le diagnostic comme un problème de génération contrefactuelle de la source vers la cible. L'objectif central est de générer un connectome de étiquette cible à partir d'un connectome d'étiquette source et de dériver une carte d'attention à partir de leurs différences.

1. Cadre Contrefactuel Génératif :

   • Génération Source-vers-Cible : Étant donné un connectome source $C_s$ avec une étiquette $y_s$, le générateur $G$ produit un connectome cible $C_g^t$ correspondant à l'étiquette $y_t$.
   • Attention Contrefactuelle : La carte d'attention $A$ est définie comme la différence $C_g^t - C_s$. Les valeurs positives indiquent les connexions à renforcer, tandis que les valeurs négatives indiquent les connexions à supprimer pour atteindre l'état cible.
   • Diagnostic : Le connectome d'entrée est repondéré par cette carte d'attention ($\tilde{C} = C \odot A$) avant d'être injecté dans un classificateur de diagnostic en aval, forçant le modèle à se concentrer sur les connexions liées à la transition pathologique.

2. Transformeur Bidirectionnel Sensible à l'Atlas (AABT) :

   • Pour préserver la topologie structurée des connectomes, les auteurs introduisent l'AABT. Au lieu de traiter la matrice de connectivité comme une image plate, l'AABT décompose le connectome en sous-réseaux basés sur un atlas cérébral (par exemple, DMN, FPN, CON).
   • Il effectue un encodage de jetons (token) par réseau et un décodage de jetons inverse, garantissant que le processus de génération respecte les structures de réseaux locaux tout en modélisant les dépendances à longue portée.

3. Extension Multimodale (Modélisation Conjointe FC–SC) :

   • Le cadre est étendu pour modéliser conjointement la connectivité fonctionnelle (FC) et structurelle (SC).
   • Un AABT cross-modal traite simultanément la FC, la SC et leurs cartes de caractéristiques.
   • Fonctions de Perte : Le générateur multimodal est optimisé à l'aide de pertes de reconstruction, de classification et perceptuelles. Il inclut de manière cruciale une perte de cohérence cross-modale pour encourager des transformations structure-fonction coordonnées mais non identiques, et une perte de chevauchement d'attention pour pénaliser le chevauchement spatial entre les réponses régionales positives (renforcées) et négatives (supprimées).
   • Stratégie de Pré-entraînement : Pour fournir des priors d'état cible sans fuite de données, des classificateurs spécifiques aux modalités FC et SC sont pré-entraînés sur des jeux de données auxiliaires (SLIM pour la FC, BJE pour la SC) et utilisés pour guider la génération de connectomes à étiquette cible. Ces modèles pré-entraînés sont séparés du classificateur de diagnostic final en aval.

Contributions Clés

• Attention Contrefactuelle Générative : L'article introduit un cadre qui identifie explicitement les changements de connexion pertinents pour la maladie en générant des connectomes d'état cible et en analysant leurs différences, offrant ainsi une interprétation orientée vers la transition plutôt qu'une importance de caractéristique statique.
• Architecture Sensible à l'Atlas : La conception de l'AABT permet une génération de connectome structurée qui adhère aux partitions de réseaux cérébraux connues, préservant la topologie globale et l'organisation des sous-réseaux locaux.
• Raisonnement Structure-Fonction Multimodal : L'extension vers la modélisation conjointe FC–SC permet de capturer les réorganisations fonctionnelles complémentaires et les changements de topologie structurelle, offrant une vue plus complète du déclin cognitif.
• Évaluation Rigoureuse : L'étude comprend des expériences approfondies sur des jeux de données collectés en milieu hospitalier et sur ADNI, couvrant les contextes unimodaux (FC) et multimodaux (FC–SC). Elle présente des analyses complètes incluant la visualisation de connectomes circulaires, l'évaluation de la qualité de synthèse au niveau de la matrice (PSNR, SSIM, corrélation), les intervalles de confiance par pli (fold) et des études d'ablation.

Résultats

• Performance de Diagnostic : Dans les expériences unimodales FC, GCAN a obtenu des performances compétitives pour les tâches HC vs SCD, HC vs MCI et SCD vs MCI, surpassant souvent les modèles de base CNN, ResNet et Transformer. Par exemple, sur le jeu de données hospitalier pour HC vs SCD, GCAN a atteint une précision de 0,933 et un score F1 de 0,929.
• Performance Multimodale : Dans les configurations multimodales, les modèles basés sur l'attention contrefactuelle ont généralement montré des tendances favorables, particulièrement pour la tâche HC vs SCD. Cependant, les auteurs notent que les écarts-types étaient relativement élevés dans certaines tâches (par exemple, HC vs MCI), et que les comparaisons par paires au niveau des plis n'atteignaient pas toujours la signification statistique, suggérant la nécessité de cohortes appariées plus larges.
• Interprétabilité : La visualisation des cartes d'attention contrefactuelle a révélé des motifs épars et biologiquement plausibles concentrés dans les réseaux cognitifs de haut niveau (DMN, FPN, CON, SEN). Les cartes positives et négatives distinguent les connexions renforcées des connexions supprimées.
• Comparaison avec les CAM : Comparé à Grad-CAM et Score-CAM, l'attention contrefactuelle proposée a produit des motifs de connectivité plus structurés, spécifiques à la transition et signés, tandis que les méthodes basées sur les CAM produisaient des activations plus diffuses.
• Qualité de Synthèse : Les métriques quantitatives (PSNR, SSIM, corrélation) indiquent que les matrices FC et SC générées conservent une structure globale raisonnable et une fidélité au niveau des arêtes, bien que la synthèse de la SC ait été notée comme plus difficile en raison de sa topologie parcimonieuse.

Signification et Revendications
L'article affirme que GCAN représente une étape significative vers l'IA explicable en neuroimagerie en passant d'une attribution de caractéristiques statiques à un raisonnement dynamique orienté vers la transition. En modélisant explicitement le scénario « et si » de la transformation d'un cerveau sain en un cerveau malade, le cadre fournit des informations sur les changements de connectivité spécifiques qui pilotent le déclin cognitif.

Les auteurs maintiennent une posture modeste concernant leurs affirmations :

• Ils soulignent que les réseaux mis en évidence sont cohérents avec les mécanismes de neurodégénérescence connus, mais que la méthode fournit des explications basées sur le modèle, et non une preuve clinique directe de la causalité de la maladie.
• Ils reconnaissent des limites, notamment la taille relativement petite des jeux de données appariés FC–SC, l'utilisation de priors de groupe pour les états cibles qui peut manquer les trajectoires individuelles, et l'absence de validation longitudinale.
• Ils concluent que, bien que les résultats soient prometteurs et soutiennent l'utilité du raisonnement contrefactuel pour le diagnostic interprétable, une validation supplémentaire avec des cohortes plus larges, multicentriques et longitudinales est nécessaire pour confirmer la robustesse statistique et la validité biologique.